基于彩票的一点想法和数据分析实验 - 第一阶（双色球）(转载)

　　前提：（先按这个思路走，并不强调成立）
　　彩票的头奖开奖数据并不是纯随机的，而是根据购买的情况，挑选买的少的号选中开奖。
　　整体思路：
　　如果能拿到所有的购买数据，那么可以直接筛选即可，但拿不到；很多大的彩票站都有各种专家预测，这些预测的号会有很多人跟风购买，可以粗略的反应实际购买情况。好，开干！
　　以双色球为例：
　　第一步：收集数据
　　收集所有开奖数据，从2003年第一期（serial=03001）到最新一期2020年第九期（20009），包含每期开奖号码，一等，二等奖中奖数；
　　收集专家预测数据，这块不太好收集，主要有几个问题：
　　1：网上的预测数据是近几年才有，之前几乎没有
　　2：网上的预测数据很难看到热度，不能真实的反应用户的购买率
　　3:网上的预测数据比较乱，如预测的球数不一致，胆拖，复式各种情况。
　　综上所述，收集预测数据时，只选择大的网站，设置来源码，只收集较规则的预测数据，如6+1，7+1，8+2等，做好标注。
　　筛选预测数据，选择从最近一期往前连续的数据（接近300期），每期同标准的预测数据不少于100组。
　　第二步：构建模型 - 训练数据
　　名词解释：
　　Ssq：双色球，即一组双色球数据，包含期号，红球号，蓝球号；
　　SsqPre：双色球预测数据，包含期号，开奖Ssq，预测红球号，预测蓝球号；
　　SsqPreSerial：双色球预测数据序列，包含期号，开奖Ssq，一组SsqPre
　　选择同标准的预测数据，共计100期，每期100组同规格预测数据。
　　计算每一期每组预测数据的命中概率：
　　比如该期一共100组预测数据，都是6+1规格；
　　命中0个的10组，命中1个球的40组，命中2个球的30组，命中3个球的20组，其他0组，计算命中率。
　　统计100期的预测命中率，做了折线图便于观察：m_0.0即命中率为0，m_16.0即命中为1/6(命中一个球)，以此类推。可以发现：命中率的整体趋势是很一致的

　　
　　为了便于观察，将上面的折线图做了汇集，方法是：针对每个概率值上下浮动4%区间内（浮动区间可以手动设定，这是一个变量）的点，收为一个点，取中间值，上图做完汇集后如下图：可见折线少了很多，每根折线有多少根折线汇集而成也做好记录（体现概率大小）

　　
　　针对上述概率折线按照汇集数做好排序，汇集根数多到少，至此生成了Base概率数据集。
　　第三步：构建模型 - 开始预测
　　拿20009期做实验。上面收集了从20008期往前的100期数据做训练；
　　随机生成一组6+1的预测号码 - Ssq；
　　收集20009期的预测数据100组，假定Ssq为开奖号码，计算命中率，也即生成了一根类似上述的概率折线；
　　将上述折线与第二步中的Base数据折线做对比，按顺序进行，此时也有两处变量，
　　A. 浮动区间，即单个点对比时可允许的浮动值；（暂定为4%）
　　B. 误差值，即整条折线各个点对比后的可允许的不匹配数（暂定为0，即必须在浮动区间内全部匹配）
　　p.s. 实际操作过程中这些变量都会区分红蓝球
　　举例：
　　当前概率折线先与Base集中汇集根数最多的做对比，如果匹配，则当前随机号码可用；
　　若a匹配失败，则往下继续匹配，如果匹配成功，乘以一定概率值（变量），再定为成功；
　　以此类推。
　　若全部失败，则当前随机号码不可用。
　　第四步：初步结果统计
　　按照上述方法和上面设定的变量值，每1000个随机号约能匹配成功10个。
　　按照上述方法投入1000元，中奖金额约为250，ROI约为0.25，太低了。
　　第一阶段总结：
　　基础预测数据不稳定是最大的问题，上面的预测数据是从一些网站收集的，鱼龙混杂，非常不稳定。这样即使是后面的变量经过了各种训练，最终的结果也依然是不理想。因此解决基础数据的来源是关键。