问28预测心得：权重拍脑袋和拍数据，差距到底有多大

同一组模型，权重换一种定法，输出的排序就会明显不同。

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。

它到底在算什么

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。

28预测心得里的“预测”两个字容易被放大。严格说，它做的是分布估计：根据历史样本，给出各个和值出现的相对可能性。概率最高的几个值，也只是相对更高，不代表必然出现。算法可以处理频率和遗漏，模型可以做加权和融合，但没有任何模型能改变单次开奖的随机性。把这一点放在前面，后面的数字才不会读歪。

三个数字与28个和值

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。

样本取最近100期，均值13.3、中位数14、标准差4.7。大小结构上，大（14及以上）占50.0%，小占50.0%；单数占43.0%，双数占57.0%。两个比例都接近一半，符合二分结构的特征。算法把这段样本整理成表，模型据此估计概率，但比例接近50%本身不指示下一期方向。

算法与模型的配合方式

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。

多模型融合有三种常见做法：平均、加权、堆叠。平均最简单但忽略差异，加权需要验证集，堆叠容易过拟合。28预测心得里选哪一种，要看样本量够不够支撑更复杂的结构。

回测记录该怎么看

把算法步骤拆开，通常是四步：清洗记录、统计频率、计算遗漏、按区间加权。每一步都要留下中间结果，否则出了问题无法定位。28预测心得的方法页把四步分开写，是为了让读者能逐步复核。模型接在第四步之后，读取加权后的特征并输出概率。算法保证可复现，模型保证可比较，两者缺一不可。

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。

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。

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。