别急着找方法，先把记录、口径和复盘习惯立起来。pc28预测与加拿大28预测共用同一份开奖记录，pc28预测看分布，加拿大28预测看口径。讨论pc28预测时绕不开加拿大28预测，两者的样本窗口和分桶边界应当写成同一套。pc28预测的结果要能和加拿大28预测对上：同一期号、同一和值、同一套统计。
有人把pc28预测当成一个公式，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。
我最初怎么做
把pc28预测拆成三层会更清楚：第一层是记录，期号与和值必须对得上；第二层是统计，频率、遗漏、区间厚度都从记录里算；第三层是判断，权重和结论都建立在前两层之上。三层里任何一层出问题，后面都会跟着歪。
只从结果看pc28预测，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。
三个月后的修正
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。
样本取最近100期，均值13.3、中位数14、标准差4.7。大小结构上，大（14及以上）占50.0%，小占50.0%；单数占43.0%，双数占57.0%。两个比例都接近一半，符合二分结构的特征。算法把这段样本整理成表，模型据此估计概率，但比例接近50%本身不指示下一期方向。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 14 | 11 | 11.0% |
| 16 | 9 | 9.0% |
| 11 | 7 | 7.0% |
算法模型起了什么作用
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。
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。pc28预测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。
现在的五条经验
参数要少而有解释。每加一个参数，就多一个可以调的空间，也多一个过拟合的机会。pc28预测里常用的参数不超过五个，每个都能说清楚为什么这么定。
常见问题
样本会更新，结论会变，唯一不应该变的是口径。今天用这套窗口和边界，明天还用同一套，前后的数字才有可比性。pc28预测的长期价值，就藏在这种一致性里。
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。
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。
算法输出的概率表需要定期用新样本复核，模型权重也应随之调整。
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。
加拿大28预测同样只有28种和值，分布形态不因叫法不同而改变。
加拿大28预测与pc28预测共用一套样本口径，换词不换算法。
讨论加拿大28预测时，把命中与落空一起报，结论才完整。
加拿大28预测的样本同样取自公开开奖记录，期号必须对齐。
加拿大28预测的分布重心同样落在中间区间，尾部照样很薄。
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。
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。