不看宣传看记录：窗口、参数、样本外成绩，三样齐了再判断。
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
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。
如果只用一句话解释28预测经验，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。
三个数字与28个和值
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。
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12.6、标准差5.1，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。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 11 | 9 | 9.0% |
| 14 | 9 | 9.0% |
| 10 | 8 | 8.0% |
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。
模型越多越好吗？不一定。28预测经验里真正决定效果的，是模型池的互补性和权重分配。五个模型如果都在做同一件事，融合只是把同一种偏差平均了一遍。比较稳的做法是：先用算法把特征分层，再让不同模型负责不同区间，最后用样本外数据调整权重。模型负责给出概率，算法负责保证过程可复算。
- 时间序列模型：按时间顺序读取和值序列，提取趋势与周期成分，输出下一期的概率分布。
- 马尔可夫链模型：把和值划分成状态，统计状态之间的转移频率，用转移矩阵给出概率。
- 神经网络模型：用多层非线性结构拟合特征组合，适合处理频率、遗漏与区间厚度的交互。
- 蒙特卡洛模型：通过大量随机模拟逼近分布，检验其他模型输出的稳定性与尾部风险。
- 回归模型：用均值、标准差、遗漏等变量解释和值位置，输出带置信区间的估计。
回测记录该怎么看
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。
方法的第一步不是算，而是定口径：样本取多长、分桶边界放哪、遗漏从哪一期开始算、回测怎么切训练段和验证段。这些参数一旦写死，中途就不应该因为结果好坏而更换。28预测经验里的算法之所以要固定窗口，是为了让前后两期可比；模型之所以要固定特征，是为了让回测记录能复现。口径清楚，方法才站得住。
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。
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。
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。
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。
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。
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。