文献结论 + 参数寻优过拟合实验 + 大模型选号的实测研究。三路证据指向同一个结论。
监督学习的目标是学到一个映射 f: 历史 → 未来。它成立的前提是数据中存在可学习的规律。形式上，如果目标变量与特征条件独立，那么任何模型的泛化误差都不可能优于预测均值的常数模型：
更麻烦的是：数据量越大，模型越容易过拟合。33 个号码 × 3521 期提供了足够的自由度，让模型"解释"掉全部历史，却学不到任何可迁移的东西。
设定一个最简单的模型族："看最近 W 期的频次，选出现最多的 6 个号码"。唯一超参数是窗口 W。我在前半段数据上网格搜索最优 W，然后拿到后半段验证。
| 窗口 W | 前半段平均命中 | 前半段 z | 后半段平均命中 | 后半段 z |
|---|---|---|---|---|
| 10 | 1.1200 | +1.40 | 1.0879 | -0.14 |
| 20 | 1.1109 | +0.96 | 1.0643 | -1.28 |
| 30 | 1.1133 | +1.07 | 1.0739 | -0.81 |
| 50 | 1.0982 | +0.35 | 1.1058 | +0.71 |
| 75 | 1.0878 | -0.15 | 1.1145 | +1.11 |
| 100 | 1.1108 | +0.94 | 1.1312 | +1.89 |
| 150 | 1.0783 | -0.58 | 1.1173 | +1.22 |
| 200 | 1.1051 | +0.65 | 1.1236 | +1.49 |
| 300 | 1.0842 | -0.29 | 1.1116 | +0.91 |
| 500 | 1.1063 | +0.63 | 1.1086 | +0.73 |
| 800 | 1.0917 | +0.03 | 1.1249 | +1.21 |
样本内选出的 W = 10，z = +1.40（看起来有效）；拿到样本外，z = -0.14（归零）。
更说明问题的是一致性检验：把 11 个候选窗口按表现排序，前半段的排名与后半段的排名的 Spearman 秩相关是 -0.509——负的。参数在样本内"表现好"这件事，不仅不能预示样本外表现好，反而轻微地预示表现差。
这就是"调参调到最优"的真实含义：你调出来的不是规律，是噪声。# 参数越多、搜索空间越大，"最优"结果越漂亮、越无用。
用现代机器学习方法在罗马尼亚 6/49 彩票 30 余年数据（2510 期）上尝试提取信息与预测，结论是无法提取。这与本报告方法 09 的前向回测结果一致。
作者明确指出研究目标是"test reproducible structure and uncertainty bounds rather than deterministic prediction"——检验可复现的结构与不确定度边界，而非确定性预测。实物摇奖可能存在微弱、时变的偏离，但这类偏离即使存在，也不足以支撑确定性预测。
这篇研究让六种语言模型配置反复输出"1–49 中 6 个不重复的随机整数"，结果发现模型输出的有效多样性只有 9.9–18.0，而独立均匀抽样在相同样本量下的 5% 分位阈值是 46.6–46.7。
换句话说：大模型给出的"随机号码"远不是均匀的——它会反复吐出同一批号码（比如偏爱含 7、偏爱小数字、偏爱某些常见组合）。这不仅不能提高中奖概率，还会显著提高分奖风险：如果大量用户用同一个模型选号，他们更容易选到相同的号码。
这与本报告方法 12 提到的"避让热门组合"直接相关——用热门工具选号，等于主动把自己推向分奖风险更高的位置。
机器学习在这里的失败不是"模型不够先进"，而是"目标函数不存在"。当 P(Y|X) = P(Y) 时，任何模型的贝叶斯风险都等于常数预测的风险，模型的全部"能力"都用来拟合噪声。本报告的参数寻优实验给出了一个直观的量化版本：样本内 z = +1.40 → 样本外 z = -0.14，秩相关 -0.509。