遗漏的起点、终点和窗口都要写清楚，否则同一张表能算出几个数。
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。
方法第一步：先定口径
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。
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。
样本窗口怎么切
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。
样本取最近100期，均值12.6、中位数12、标准差5.1。大小结构上，大（14及以上）占43.0%，小占57.0%；单数占45.0%，双数占55.0%。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。
算法步骤拆开看
算法与模型的分工，可以拆成两层：算法负责把原始记录变成特征，模型负责把特征变成概率。28预测数据常见的特征包括近50期频率、当前遗漏、区间厚度和相邻期差值；常见的模型包括时间序列、马尔可夫链、神经网络、蒙特卡洛和回归。五类模型各有假设，单模型容易在某个窗口里表现好，换个窗口就回落，所以多模型融合比单模型更稳。
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。
- 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
第一个常见误读，是把描述当预测。均值、中位数、标准差描述的是过去，概率排序描述的也是过去样本下的相对可能性，两者都不是承诺。第二个误读，是把遗漏当倒计时。第三个误读，是把短期连中当成模型突然开窍。28预测数据把这三件事分开写，是为了让读者在看到一个漂亮数字时，先问它是哪一类。
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预测数据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。
常见问题
说到底，28预测数据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。
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。