方法論 · 機器學習
LSTM 與馬可夫鏈能預測樂透嗎？
「用 AI 預測樂透」聽起來很厲害。我們沒有停在嘴上——而是真的用 numpy 從零手刻了一個 LSTM 神經網路、建了一階馬可夫鏈，做了梯度檢查確保實作正確，再用嚴格的 walk-forward 回測它們的表現。 這篇文章帶你看模型怎麼運作，以及最後誠實的結論。
馬可夫鏈：用「狀態轉移」描述每個號碼
馬可夫鏈的核心假設是：下一個狀態只取決於目前狀態。我們把每個號碼看成一個有兩種狀態的小系統—— 「這期有開（1）」或「沒開（0）」——然後從歷史資料統計它的轉移機率：
- P(下期開 | 這期開)：開了之後，下期繼續開的機率。
- P(下期開 | 這期沒開)：沒開之後，下期開出的機率。
我們用 Laplace 平滑避免某些轉移因為樣本太少而失真，再根據每個號碼「目前的狀態」算出它下期出現的 分數，分數高的視為候選。直覺上，這能捕捉「連莊」或「冷回補」之類的型態——如果它們真的存在的話。
LSTM：能記住長期型態的神經網路
LSTM（長短期記憶網路）是專門處理序列資料的神經網路，靠「遺忘門、輸入門、輸出門」決定要記住或丟掉 哪些歷史資訊，理論上能捕捉比馬可夫鏈更長、更複雜的時間相依。我們的實作細節：
- 把每期開獎編碼成 multi-hot 向量（開出的號碼為 1），餵進 LSTM。
- 自己實作前向傳遞與 BPTT（透過時間的反向傳播），用 Adam 最佳化器訓練。
- 做 梯度檢查：用數值微分驗證解析梯度，相對誤差小於 1e-4 才算實作正確。
- 輸出每個號碼下期出現的機率分數。
怎麼放進線上系統？離線訓練 + 前向推論
線上的 Edge Function 不適合即時訓練神經網路，所以我們採「離線訓練、線上推論」：用腳本離線把各 彩種的 LSTM 權重訓練好、匯出成權重檔，線上只做輕量的前向計算得到分數。這也讓整個流程可重現、 可定期重訓。
回測結果：和隨機沒有顯著差異
重點來了。我們用 walk-forward（每次只用過去資料、不偷看未來）回測這兩個模型，並和隨機基準 k/N 比較。以今彩539（基準 12.82%）為例，LSTM 與馬可夫鏈的每號命中率都落在基準附近的雜訊範圍內， 沒有任何一個能穩定、顯著地勝過隨機。在大樂透與威力彩上，結論相同。
換句話說：模型實作是對的（梯度檢查通過）、訓練是收斂的、回測是公平的——而它依然贏不過亂猜。
為什麼強大的 AI 也沒用？
因為機器學習的前提是「資料裡有可學習的結構」。LSTM 能在語言、股價節律、感測器訊號裡找到型態， 是因為那些資料有時間相依。但公正的樂透開獎是獨立同分布的， 過去與未來的互資訊為零——裡面根本沒有結構可學。再深的網路，面對純雜訊也只能 學到雜訊。模型容量大反而更容易「過擬合」歷史的巧合，在新資料上現出原形。
那我們為什麼還留著它？
因為這是專案誠實定位的一部分：預測照做、號碼照出，但準確度由回測數字說了算。 我們把 LSTM 與馬可夫鏈的分數，連同頻率統計，一起融進「穩健平衡」 的選號裡——不是因為它們能提高中獎機率（不能），而是因為它們提供了一種有條理、可重現的方式去 鋪排號碼結構。我們在 UI 與文案上一律標明：三法回測均 ≈ 隨機、不保證命中。
想看程式？本專案的 scripts/ml_simulation.py（LSTM + 馬可夫 + 回測）與
export_lstm_weights.py（離線訓練匯出權重）就是這篇文章的實作。歡迎自行重現、自行
驗證。樂透為隨機事件，AI 不會改變這件事。