训练集里表现很好，换一段数据就原形毕露，这两次翻车让我改了流程。
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。
方法第一步：先定口径
方法最容易出问题的地方，是偷偷调参。看到某段回测成绩不好，就换窗口、换边界、换权重，直到数字好看为止，这不是优化，是过拟合。28预测经验的做法是先把参数写进记录，再跑样本外验证；验证不通过就承认不通过，而不是回头改参数。算法和模型都应该接受这个约束，否则方法只是事后解释。
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。
样本窗口怎么切
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。
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。
算法步骤拆开看
单看一个模型，很容易被某段样本的成绩误导。28预测经验的做法是把多个模型放在一起：时间序列模型看趋势，马尔可夫链模型看状态转移，神经网络模型看非线性组合，蒙特卡洛模型看随机模拟，回归模型看变量关系。每个模型输出一组概率，再按权重合成。权重不是拍脑袋，而是用样本外数据验收后确定。
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。
- 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。
哪些操作容易过拟合
数据陷阱往往披着合理的外衣。幸存者偏差让你只看到晒出来的命中记录；窗口挑选让你只看到表现最好的那段；口径漂移让前后两期的比例无法比较。28预测经验里的算法和模型都可能被这些陷阱带偏，解决办法不是换更复杂的模型，而是把样本、窗口和验证方式写清楚。
读28预测经验的页面，建议按这个顺序：先看更新时间和样本窗口，再看分布特征，然后看概率表和准确率卡，最后才看结论性描述。算法输出和模型输出应该能相互印证；如果两者矛盾，优先检查口径，而不是急着相信其中一个。这个顺序能过滤掉大部分情绪化解读。
常见问题
说到底，28预测经验的价值不在给出一个确定答案，而在把不确定性量化。算法能整理历史，模型能给出排序，但单次结果仍然随机。接受这一点，才能把注意力放在样本质量和记录纪律上，而不是放在某一次命中或落空上。
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。
把概率和样本量一起报，是避免误读的最简单办法。
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。
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。