问28预测经验：遗漏值不是倒计时，我交过的学费

等得越久越觉得快出了，这个念头最贵。

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。

这个说法从哪来

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。

把概率算一遍

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预测经验里讨论遗漏，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。

分布的重心在中间，不代表中间一定出。以最近100期的频率看，排名靠前的和值是11、14、10，对应出现9次、9次、8次。把它们换算成概率，仍然只是十几个百分点。算法给出排序，模型给出权重，读者要做的，是把这些概率和样本量放在一起看，而不是只盯最高的那个数字。

算法与模型的边界

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。

怎么避免误读

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

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。

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。