问28预测经验：多模型融合的坑，权重比模型更关键

模型越多越热闹，权重没定好，融合只是把噪声平均了一遍。

很多人第一次接触28预测经验，会以为里面藏着某种能算准下一期的公式。实际拆开看，常见做法只有三步：统计最近50到100期的和值频率，计算每个和值距离上次出现的遗漏期数，再按区间给一个权重。算法把这些步骤固定下来，模型负责输出概率排序。步骤本身不神秘，难的是每一步的口径都经得起复算。

它到底在算什么

很多人第一次接触28预测经验，会以为里面藏着某种能算准下一期的公式。实际拆开看，常见做法只有三步：统计最近50到100期的和值频率，计算每个和值距离上次出现的遗漏期数，再按区间给一个权重。算法把这些步骤固定下来，模型负责输出概率排序。步骤本身不神秘，难的是每一步的口径都经得起复算。

把问题缩小以后，28预测经验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。

三个数字与28个和值

把最近100期摊开，和值的重心落在12.6附近，中位数12，标准差5.1，偏度0.25。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3501185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。

最近100期的统计结果是：均值12.6、中位数12、标准差5.1、偏度0.25。从分桶看，中间段最厚，两端逐渐变薄，这是三个均匀数字相加的典型形态。算法在这一步只做计数和比例，模型在这一步只读取分布参数。样本量100期不算大，比例会随窗口移动，所以页面把窗口和更新时间一起标出来。

算法与模型的配合方式

回测记录是检验算法与模型的唯一凭据。一条完整记录至少要包含期号、窗口、参数、模型输出、实际结果和是否命中。28预测经验页面展示的准确率三卡，分别对应总体命中、趋势方向和精确值命中，按历史回测口径统计。模型在训练段定参数，在验证段只验收，不调参，这样得到的数字才有参考价值。

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预测经验常见的特征包括近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。

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预测经验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预测经验采用固定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

如果只记住一句话：概率描述可能性，不承诺结果。28预测经验里的算法、模型和图表，都是为这句话服务的。样本更新以后，数字会变，口径不应该跟着变；口径稳定了，长期记录才有比较意义。

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。

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。

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。

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。

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。

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。