平滑能让图变干净，也会把短期的异常点藏起来。
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。
走势图到底看什么
图上的异常点值得看，但不值得追。某一期和值突然落到尾部，可能只是随机波动，也可能是记录口径发生了变化。28预测心得的做法是把异常点标出来，同时在表里保留原始期号，方便回溯。算法不自动平滑，模型不自动补值，这样图上的每一个点都能对应到一条记录。
颜色和标注要克制。一张图标十种颜色，读者反而找不到重点。28预测心得的图表只标三类信息：重心、异常点、样本边界，其余交给表格。
坐标与刻度的陷阱
图是给人看的，不是给算法看的。算法读表，人读图，图的作用是让重点在几秒内被看见。如果一张图需要解释五分钟，不如直接看表。
同一组数据，用绝对值和用比例画出来，观感差别很大。绝对值强调规模，比例强调结构。28预测心得里讨论区间厚度时用比例，讨论次数时用绝对值。
算法输出怎么落到图上
模型越多越好吗？不一定。28预测心得里真正决定效果的，是模型池的互补性和权重分配。五个模型如果都在做同一件事，融合只是把同一种偏差平均了一遍。比较稳的做法是：先用算法把特征分层，再让不同模型负责不同区间，最后用样本外数据调整权重。模型负责给出概率，算法负责保证过程可复算。
特征工程决定了模型的上限。频率、遗漏、区间厚度、相邻期差值，这些特征都来自同一份记录，彼此高度相关。相关性太高，模型权重就会不稳定，同一份数据换一次切分就能得出不同权重。
- 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。
三个读图误区
过度自信往往来自一次成功。一次命中会让人记住方法、忘记概率；十次落空又会让人彻底否定方法。把每次结果都记下来，情绪才不会被单次结果牵着走。
第一个常见误读，是把描述当预测。均值、中位数、标准差描述的是过去，概率排序描述的也是过去样本下的相对可能性，两者都不是承诺。第二个误读，是把遗漏当倒计时。第三个误读，是把短期连中当成模型突然开窍。28预测心得把这三件事分开写，是为了让读者在看到一个漂亮数字时，先问它是哪一类。
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。
算法与模型的关系，可以理解为“算法管过程，模型管排序”。算法负责清洗、统计和分桶，模型负责在特征之上输出概率。任何一个模型输出异常，都应该能顺着算法记录回溯到具体步骤。模型可替换，算法记录不可省，这是整套方法能复算的前提。
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。
算法输出的概率表需要定期用新样本复核，模型权重也应随之调整。
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。
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。
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。
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。
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。
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。
长期观察的意义，不是证明某个号码会出，而是检验方法在不同样本里的稳定性。换一个窗口、换一段数据，结论是否还站得住，比单次命中更有参考价值。稳定性差的模型，即使某段成绩很漂亮，也不值得长期依赖。