问28预测数据：算法输出的概率表，怎么读才不被带偏

概率表是模型输出，不是承诺，读的时候要连同样本量一起看。

如果只用一句话解释28预测数据，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。

它到底在算什么

把问题缩小以后，28预测数据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预测数据，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

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。

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

单看一个模型，很容易被某段样本的成绩误导。28预测数据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。

模型越多越好吗？不一定。28预测数据里真正决定效果的，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。

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预测数据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。

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预测数据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预测数据里的算法、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。

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。

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。