策略（仅供娱乐）

lotterycn.predict 内置 11 个选号策略与 1 个可组合缩水引擎。它们都不具备任何预测力——开奖是独立随机事件，所有策略的期望收益与 random 基线完全相同。本模块仅用于统计观察与娱乐。

策略	别名	流派	思路
random	—	基线	均匀随机——一切策略的对照
frequency	hot / cold	走势图	滑动窗口（recent_n）频率选号，explore_ratio 控制确定性
omission	chase	走势图	遗漏回补：当前遗漏 / 平均遗漏，"热后转冷"排最前
deviation	chisq	统计	卡方偏离度（实际 − 期望）² / 期望；side='hot' 或 'cold'
repeat	—	社区	重号 / 邻号(±1) / 斜连号（上上期±1）三权重打分
trend	—	股票框架	和值均线通道：候选和值落入 MA ± k·σ 才保留
tail	—	走势图	两级选号：先按尾数（号码%10）频率选尾，再尾内取号
markov	—	序列	一阶转移采样 P(本期出现|上期出现/未出现)——独立下退化为频率
markov2	—	序列	二阶转移（上两期 4 态）——展示高阶状态稀疏后退化均匀
filter	—	形态	可组合缩水：和值 / 奇偶 / 质合 / AC 值 / 连号区间，三区比与 012 路精确匹配，杀号
ensemble	—	集成	多策略投票：成员各出 top-k，按号码得票排序（votes_min 阈值）

用法

from lotterycn import load_predict_numbers

# method='hot' 是 frequency + mode='hot' 的别名
picks = load_predict_numbers("ssq", method="hot", amount=5)
chase = load_predict_numbers("ssq", method="omission", amount=3)  # 遗漏回补
dev = load_predict_numbers("ssq", method="deviation", side="cold", explore_ratio=0)
shrink = load_predict_numbers(
    "ssq",
    method="filter",
    amount=3,
    sum_range=(90, 120),
    prime_range=(2, 3),
    zone_ratio=(2, 2, 2),
    exclude_numbers={7, 13},
)
votes = load_predict_numbers(
    "ssq",
    method="ensemble",
    amount=1,
    members=("frequency", "omission", "repeat"),
)

传 history= 注入 DataFrame 可完全离线；否则工厂拉取历史（支持 if_cached=True）。

Filter 形态指标口径

所有 *_range 过滤为闭区间 (lo, hi)；zone_ratio 与 mod3_range 为计数三元组的精确匹配。

• AC 值 —— 排序去重后两两差值的不同个数 −（号码个数 − 1）。例：{01,02,06,13,27,33} 两两差值恰有 15 个不同值，AC = 15 −（6 − 1）= 10（6 个号的理论最大值）；全连号 {01..06} 只有 5 个，AC = 0。
• 三区比（精确匹配） —— 红球池三等分，各区计数必须与给定 (一区, 二区, 三区) 完全一致。各彩种分界：

彩种（红球池）	一区	二区	三区
ssq（1-33）	1-11	12-22	23-33
qlc（1-30）	1-10	11-20	21-30
kl8（1-80）	1-27	28-54	55-80
dlt（1-35）	1-12	13-24	25-35
数字型 3d/pls/plw/qxc（0-9）	0-3	4-6	7-9

• 012 路 mod3_range（精确匹配） —— 号码除以 3 余 0 / 1 / 2 的计数三元组必须与给定值完全一致。
• 质数 —— {2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31}（1 不算质数）。
• 连号对数 —— 排序去重后相邻两数恰差 1 的对数。

与其他策略一致：过滤只改变选号的分布形态，不改变任何一注的中奖概率。

回测——亲自验证"无预测力"

from lotterycn import backtest, backtest_summary

results = backtest(
    methods=("random", "hot", "omission", "ensemble"),
    lottery_name="ssq",
    window=100,
)
print(backtest_summary(results))

每个策略由前 window 期历史驱动出票，与下一期真实开奖比对红/蓝命中数。每次复现的结论都一样：所有策略与 random 表现相当。社区机器学习尝试（LSTM/XGBoost 预测号码序列）结论一致：排列三量级（1/1000）空间上 LSTM 准确率 ≈ 4.2‰，即基线水平。任何"显著优于随机"的观察都应视为过拟合或噪声。

关于股票分析类比

部分策略刻意沿用了股票分析框架（动量 ≈ 追热、均值回归 ≈ 遗漏回补、均线通道 ≈ trend、量 ≈ draws.py 的销售/奖池特征）。类比是教学性的：在有效市场和彩票里，框架都不创造优势——但它们让随机性变得可度量。