问28预测心得：多少期样本才算够，30期为什么不能下结论

30期能看近期节奏，但撑不起长期结论，样本量和结论强度必须匹配。

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。

它到底在预测什么

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。

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。

最近100期的分布长什么样

号码频次表里，出现次数最多的几个通常只比平均值高一点。以100期、28个和值计算，理论平均每个和值出现三四次，最高与最低差几次属于正常。把这个差值当成冷或热，是把随机波动读成了信号。

把最近100期摊开，和值的重心落在13.3附近，中位数14，标准差4.7，偏度0.24。均值和中位数接近，说明样本没有被极端值明显拉偏；标准差描述波动，数值越大，和值离开重心的幅度越明显。最近一期是第3501218期，和值落在分布的主体区间内。这些数字只描述过去这段样本，不构成对下一期的承诺。

概率与区间厚度怎么读

随机性不会因为等待而改变。一个和值遗漏了20期，下一期出现的概率仍然由分布决定，而不是由遗漏长度决定。28预测心得里的算法可以统计遗漏分布，模型可以把遗漏作为特征，但特征只影响排序，不改变单次事件的独立性。理解这一点，才不会把概率工具当成确定性承诺。

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。

算法与模型在其中做什么

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。

算法记录比算法本身更重要。同一套算法，参数记不全就无法复现；参数记全了，换个人也能跑出同样的结果。模型可以换，记录不能丢，这是长期做这件事的基本纪律。

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。

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。