问28预测心得：均值和均值回归，是两件完全不同的事

均值描述样本重心，均值回归描述长期趋势，把两者混着用，判断就会走样。

把问题缩小以后，28预测心得讨论的对象其实很具体：三个数字相加得到一个和值，范围固定在0到27，一共28种结果。所谓预测，是拿最近若干期的记录去估计下一期的分布，而不是算出一个唯一答案。算法负责把频率、遗漏和区间厚度整理成可复核的表，模型再根据这张表给出概率排序。两者都只是工具，真正决定结论质量的，是样本口径有没有写清楚。

这个说法从哪来

如果只用一句话解释28预测心得，那就是：用历史样本估计概率分布，再用算法和模型把估计过程标准化。样本窗口、分桶边界、权重系数，这三个参数决定了结果长什么样。换窗口、换边界、换权重，结论就会跟着变。所以看任何一份预测结果，先问口径，再看数字，顺序不能反。

很多讨论从一张截图开始：某一期和值落在尾部，配一句「果然」。单期结果说明不了方法好坏；要判断方法，至少要看几十期的连续记录，以及同一套口径下不同窗口的表现。算法能把记录整理成表，模型能把表变成概率，但样本量和口径仍然要人来定。

把概率算一遍

概率这件事，最容易被读成“该出了”。一个理论概率5%左右的和值，连续30期不出现并不罕见，算下来大约还有两成多的可能继续不出。28预测心得里讨论遗漏，只能说明间隔有多长，不能说明下一次的概率被抬高。算法记录遗漏，模型读取遗漏，但两者都不应该把遗漏当成倒计时。把概率和间隔分开，很多误读会自然消失。

概率排序的意义在于相对，不在于绝对。排第一的和值可能只有百分之十几的概率，排第十的可能也有百分之几。把排序读成必出顺序，是最常见的误读之一。

算法与模型的边界

算法与模型的分工，可以拆成两层：算法负责把原始记录变成特征，模型负责把特征变成概率。28预测心得常见的特征包括近50期频率、当前遗漏、区间厚度和相邻期差值；常见的模型包括时间序列、马尔可夫链、神经网络、蒙特卡洛和回归。五类模型各有假设，单模型容易在某个窗口里表现好，换个窗口就回落，所以多模型融合比单模型更稳。

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。

怎么避免误读

只报命中次数、不报样本期数，是另一种常见偏差。命中10次听起来不错，如果一共预测了200期，这个数字就要重新看。分子和分母要一起出现。

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。

常见问题

说到底，28预测心得的价值不在给出一个确定答案，而在把不确定性量化。算法能整理历史，模型能给出排序，但单次结果仍然随机。接受这一点，才能把注意力放在样本质量和记录纪律上，而不是放在某一次命中或落空上。

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。

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。