问28预测心得：大小单双五五开，为什么还是有人算不明白

对半结构意味着短期噪声很大，把连开当成方向，账就会越算越偏。

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。

这个说法从哪来

把28预测心得拆成三层会更清楚：第一层是记录，期号与和值必须对得上；第二层是统计，频率、遗漏、区间厚度都从记录里算；第三层是判断，权重和结论都建立在前两层之上。三层里任何一层出问题，后面都会跟着歪。

只从结果看28预测心得，很容易得出「准」或「不准」两个极端结论。更合理的看法是分场景：短窗口看方向，长窗口看分布。两者结论不一致是正常的，因为它们回答的根本不是同一个问题。

把概率算一遍

条件概率和边缘概率经常被混用。已知最近三期都出大，下一期出大的概率仍然是原来的那个数，因为每一期独立。28预测心得里的模型如果用了条件特征，输出的是条件概率，读的时候要说明条件是什么。

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。

算法与模型的边界

模型的可解释性和准确率经常此消彼长。28预测心得里用到的五类模型，时间序列和回归相对好解释，神经网络最难。选择哪一种，取决于你要的是结论还是过程；如果还要复盘，过程比结论更重要。

训练、验证、测试三段要分开。训练段定参数，验证段选模型，测试段只跑一次。28预测心得里常见的错误是把验证段反复使用，直到成绩满意为止，这样测试段就失去了意义。

怎么避免误读

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。

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。

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。

评估一个模型，至少要看三组数字：训练段的拟合成绩、验证段的样本外成绩、以及不同窗口下的稳定性。只看训练段，模型容易过拟合；只看一个窗口，模型容易被偶然性放大。把三个模型放在同一套口径下比较，比单独追求某个模型的高分更有意义。

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。

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。

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。

异常值不一定要删除，但一定要标注。某一期和值落到尾部，可能是正常波动，也可能是记录口径变化；先标注、再判断，比直接平滑更稳妥。算法保留原始记录，模型不对缺失段补值，这样异常点才不会变成假信号。