排序只表示相对概率高低，不表示谁先出谁后出。
问28预测心得有没有用，先要问它在什么条件下用。固定样本、固定口径、固定参数，方法才能被比较；条件一变，之前所有数字都要重算。这不是方法的缺陷，而是任何统计工具的共同前提。
它到底在算什么
28预测心得里最容易被忽略的是更新：开奖在继续，样本在移动，昨天算出来的分布今天就会变一点点。算法要按固定节奏重算，模型要定期复核权重，页面要把更新时间和样本窗口一起标出来，读者才知道自己在看哪一段。
有人把28预测心得当成一个公式，输入期号就输出答案。实际做过的人知道，它更像一套流程：取数、清洗、分桶、统计、建模、验收，每一步都有可调参数。流程的价值在于可复现，而不在于保证结果。
三个数字与28个和值
把100期按每20期一段切成五段，逐段看均值，会发现段与段之间有差别，但多数差别落在标准差范围内。模型如果对每一段都重新调参，很容易把正常波动当成结构变化，参数也会越调越多。
把100期按五段切开，0-9、10-13、14-17、18-21、22-27，可以看到中间两段承载了大部分样本，尾部两段明显变薄。均值13.3、标准差4.7，说明波动主要在重心附近展开。算法输出的区间厚度，和模型给出的概率排序，应该能相互对上；对不上，就要回头检查分桶边界和权重。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 14 | 11 | 11.0% |
| 16 | 9 | 9.0% |
| 11 | 7 | 7.0% |
算法与模型的配合方式
单看一个模型，很容易被某段样本的成绩误导。28预测心得的做法是把多个模型放在一起：时间序列模型看趋势，马尔可夫链模型看状态转移，神经网络模型看非线性组合，蒙特卡洛模型看随机模拟，回归模型看变量关系。每个模型输出一组概率，再按权重合成。权重不是拍脑袋，而是用样本外数据验收后确定。
模型的输出需要校准。一个模型说某和值有三成概率，实际出现频率是否接近三成，要用一段独立样本检验。没校准的概率排序，只能当相对参考，不能当绝对数字用。
- 时间序列模型：按时间顺序读取和值序列，提取趋势与周期成分，输出下一期的概率分布。
- 马尔可夫链模型：把和值划分成状态，统计状态之间的转移频率，用转移矩阵给出概率。
- 神经网络模型：用多层非线性结构拟合特征组合，适合处理频率、遗漏与区间厚度的交互。
- 蒙特卡洛模型：通过大量随机模拟逼近分布，检验其他模型输出的稳定性与尾部风险。
- 回归模型：用均值、标准差、遗漏等变量解释和值位置，输出带置信区间的估计。
回测记录该怎么看
把方法交给别人跑一遍，是最有效的验收。对方只按文档操作，不问你，能跑出同样的数字，说明口径写清楚了；跑不出来，问题多半在文档，不在数据。
样本窗口有两种常见选择：固定窗口和滚动窗口。固定窗口便于横向比较，滚动窗口更贴近最新状态，但两者的结论不能直接混用。28预测心得采用固定100期做分布、固定30期看方向，两个窗口各司其职。算法在窗口内做统计，模型在窗口外做验证，这样的分工能减少“拿训练集当成绩”的误判。
常见问题
如果只能带走一句话：把每次判断的条件写下来。条件写清楚了，命中可以复盘，落空也能复盘；条件不写，两个结果都只能算运气。
模型不是越多越好。模型池里的每个模型都有自己的假设，时间序列模型假设趋势可延续，马尔可夫链模型假设状态转移稳定，神经网络模型假设特征之间存在非线性关系。把这些模型放在一起，先看它们的输出是否互补，再谈权重。权重定好以后，还要用样本外数据验收，否则融合只是把同一种偏差平均一遍。
概率描述的是可能性，不是结果；样本量越小，概率的波动越明显。
把概率和样本量一起报，是避免误读的最简单办法。
算法的作用是固定流程，让每一次统计都能复现。
算法不解决随机性，它只把随机性描述得更清楚。
28预测的讨论应该建立在可复核的样本上，而不是单次结果上。
把28预测当成记录方法，比当成确定答案更有用。
28预测里真正能复算的部分，是样本、口径和参数，而不是结论。
对普通读者来说，最实用的动作不是背结论，而是学会提问题：样本多长、窗口怎么选、概率怎么算、模型权重怎么定。问题问对了，数字才有意义；问题不问，再漂亮的图表也只是装饰。
术语一致性比术语数量更重要。同一篇文章里，概率、频率、比例应该各有明确所指；算法、模型、参数也不应该混着用。读者不需要记住所有术语，但需要知道每个数字是怎么算出来的。
读表的顺序建议固定下来：先看时间和窗口，再看均值和标准差，然后看区间厚度与概率排序，最后才看结论性描述。顺序固定以后，不同页面之间的数字才有可比性；顺序一乱，很容易把描述当成预测。
复盘记录的价值，在于它保留了当时的判断。只记结果不记过程，事后很容易把运气解释成能力；把期号、参数、预测值和实际结果一起记下来，才能看出某个方法在什么条件下有效、在什么条件下失效。
样本量决定了结论能说多满。100期可以看清分布的大致形态，但不足以证明某个比例长期稳定；30期能看近期方向，却更容易被偶然波动带偏。把样本量和比例一起报，是避免过度解读的最简单办法。
结论要有边界。页面能说的是：在这段样本、这套口径、这组参数下，分布呈现什么形态，概率排序是什么样。页面不能说的是：下一期一定会怎样。把能说的和不能说的分开，读者才不会把统计描述当成承诺。
记录工具的选择也会影响结果。表格适合逐期核对，脚本适合批量统计，两者最好同时保留：表格保留原始值，脚本保留计算过程。只留最终数字，出了问题就无从回溯；只留脚本不留原始记录，口径变了也无法复算。