LEARN · SIMULATE · VERIFY

로그인

학습 메뉴

도구 블로그

도움말

홈

이 페이지의 다른 언어:

한국어 원문

English

매주 공개 실험 · 추첨 전 고정 · 추첨 후 자동 채점

로또 당첨번호, AI로 예측할 수 있을까?

Name: 너멜엠 AI 로또 실험 — 회차별 사전 공개 조합과 채점 결과
Creator: 너멜엠(NumLM)

역대 로또 6/45 데이터를 이용해 통계·LSTM·Transformer·세계 로또 통합 예측 모델이 랜덤보다 실제로 잘 맞는지 매주 검증합니다.
각 방법은 추첨 전에 100조합을 공개하고, 추첨 후 자동 채점해 결과를 누적 비교합니다.

이번 주 실험 — 제1248회 100조합 누적 성적 보기

한눈에 보기

너멜엠(NumLM) AI 로또 실험은 역대 로또 6/45 당첨 데이터로 학습한 통계 모델·LSTM·트랜스포머·세계 로또 통합 예측이 균등 난수보다 실제로 잘 맞는지, 매주 추첨 전에 공개한 100조합의 채점 결과를 누적해 검증하는 공개 실험이다.

실험군 5개 — 균등 난수(대조군)·통계 기법(마르코프 체인)·LSTM·트랜스포머 디코더·세계 로또 통합 예측 — 이 각 100조합을 낸다.
조합은 매주 판매 마감(추첨일 토요일 20:00 KST) 전에 생성·공개되고 생성 시각이 기록되며, 마감 후에는 생성도 수정도 하지 않는다.
완전 무작위의 이론값(초기하분포): 조합당 평균 0.8개 적중, 100조합당 3개 이상 적중 약 2.38조합, 6개 적중(1등) 확률 1/8,145,060.
LSTM·트랜스포머의 홀드아웃 검증 손실은 무작위 추첨의 이론 하한 ln C(45,6)/7 ≈ 2.273 아래로 내려가지 않는다 — "형식은 배워도 내용은 못 배운다"의 실측.
시드 = 회차×1000+기법번호(세계 통합 예측은 FNV-1a 해시)로 공개되어, 같은 이력이면 누구나 같은 조합을 재현할 수 있다.

실측 현황 (서버가 렌더한 최신 값)

채점 9회차 누적, 조합당 평균 적중 — 랜덤 0.773 · 통계 0.756 · LSTM 0.763 · 트랜스포머 0.842 · 세계통합 0.804 (이론값 0.800).
3개 이상 적중 조합 누적 — 랜덤 25 · 통계 18 · LSTM 15 · 트랜스포머 31 · 세계통합 12 (기법당 기대 21.45).
최근 채점 제1247회(2026-10-24): 당첨번호 8, 14, 21, 22, 42, 45 + 보너스 24. 기법별 평균 적중 랜덤 0.80 · 통계 0.25 · LSTM 0.72 · 트랜스포머 0.92 · 세계통합 0.70.
이번 회차 제1248회: 조합 2026. 10. 24. 20:46 KST 공개, 판매 마감 2026. 10. 31. 20:00 KST.

직접 실험해 보기: 이 실험의 트랜스포머 구조 뜯어보기 · 마르코프 체인 실험 · 공개 데이터(JSON)

실험 규칙 — 번호는 추첨 전에 미리 공개하고, 나중에 바꾸지 않습니다

① 매주 판매 마감(추첨일 20:00) 전에 다섯 기법 — 랜덤 · 통계 · LSTM · 트랜스포머 · 세계 로또 통합 예측 — 이 각 100조합을 생성해 이 페이지에 미리 공개합니다(생성 시각 기록, 마감 후에는 새로 만들 수 없음). ② LSTM·트랜스포머는 과거 당첨 이력 전체로 실제로 학습한 모델이고, 시드가 회차 번호에서 결정론적으로 유도되어 누구나 같은 번호를 재현할 수 있습니다. ③ 추첨 후 자동 채점되어 영구 누적됩니다 — 잘 나온 주만 골라 보여줄 수 없는 구조입니다. 이 실험의 목적은 예측이 아니라 검증입니다. 결론은 미리 정하지 않습니다 — 어떤 기법이 무작위 기준선(초기하분포 이론값)을 지속적으로 넘어서는지, 매주의 실측 결과로 확인합니다. 균등 난수 대조군이 왜 기준이 되는지는 균등분포 페이지에서 설명합니다.

이번 주 실험 — 제1248회 · 추첨 전 공개

미리 공개한 시각: 2026. 10. 24. 20:46 KST · 판매 마감: 2026. 10. 31. 20:00 KST · 데이터: 제1~1247회 이력 전체(1247회차) 중 제1~1227회로 학습, 최근 20회(제1228~1247회)는 검증용 홀드아웃 · 시드 규약: 회차×1000+기법번호 (재현 가능) · 마르코프 통계: 최근 199회차 공출현 전이확률, 현재 상태 = 제1247회 [8, 14, 21, 22, 42, 45], 상위 18개 후보 풀 (직전 회차 번호도 후보 — 이번 풀에 0개 포함)

이번 주 학습이 말해주는 것 — 홀드아웃 검증 손실: 트랜스포머 2.6603 · LSTM 2.6444. 무작위 추첨의 이론 하한이 2.2733 (ln C(45,6)/7)이니, 두 모델 다 본 적 없는 회차 앞에서는 하한조차 뚫지 못합니다 — "형식(정렬·구분자)은 배워도 내용(어떤 조합)은 못 배운다"의 실측입니다.

균등 난수 (대조군)

아무 분석 없이 1~45에서 균등하게 6개를 뽑는다. 다른 기법이 이보다 나은지가 실험의 질문.

통계 기법 — 마르코프 체인

최근 200회차의 번호 간 공출현으로 전이확률 P(Y|X)를 추정하고, 직전 회차 6개 번호를 현재 상태로 두어 다음 번호 점수 = 직전 번호들에 대한 P(Y|X)의 평균. 직전 회차 번호도 후보에 포함(실제 추첨에서도 직전 번호는 평균 0.8개 다시 나온다). 상위 18개 후보에서 점수 비례 가중 샘플링. "함께 나온 번호" 전략의 정직한 구현.

LSTM (실제 학습)

당첨 이력 토큰 스트림으로 다음 토큰 예측을 실제 학습한 LSTM에서 자기회귀 샘플링.

트랜스포머 디코더 (실제 학습)

같은 스트림으로 학습한 인과 트랜스포머 디코더에서 자기회귀 샘플링. 디코더 아틀라스와 같은 구조.

세계 로또 통합 예측

신규 실험군

후나츠식, Hot/Cold, Gap, Pair/Triple, Delta, Positional, Bayesian, Markov, 기계학습, LSTM, Transformer 등 여러 로또 분석법의 신호를 통합하고, Covering/Wheeling 최적화로 배치한 100조합입니다. 과거 패턴을 이용한 실험적 조합이며 당첨을 보장하지 않습니다. 실험 참여 시작: 제1248회 · 생성 시각: 2026. 10. 24. 20:46 KST · 버전 WE-1.1. 이 모델은 이번 회차부터 누적 통계를 시작하며 이전 회차 성적은 소급하여 포함하지 않습니다.

제1247회 채점 결과 (2026-10-24)

당첨번호

(보너스)

적중 개수	랜덤	통계	LSTM	트랜스포머	세계통합	이론값 (초기하분포)
0개	41	75	45	31	42	40.06
1개	43	25	41	48	46	42.41
2개	12	0	11	19	12	15.15
3개	3	0	3	2	0	2.24
4개	1	0	0	0	0	0.14
5개 🎯	0	0	0	0	0	2.9e-3
6개 🎯	0	0	0	0	0	1.2e-5

각 기법 100조합 기준("—" = 그 회차에 참가하지 않은 기법). 이론값 = 완전 무작위일 때의 기대 조합 수 — 모든 기법이 이 근처면 "어느 기법도 우연 이상이 아니다"는 뜻입니다.

랜덤 평균 0.80개 · 최고 4개

통계 평균 0.25개 · 최고 1개

LSTM 평균 0.72개 · 최고 3개

트랜스포머 평균 0.92개 · 최고 3개

세계통합 평균 0.70개 · 최고 2개

이론 기대 평균 0.80개

누적 통계 — 실험이 쌓일수록 결론이 선명해집니다

채점된 회차 9회 · 기법당 누적 900조합 (총 4100조합) · 세계 로또 통합 예측은 제1243회부터 5회(신규 실험군 — 이전 회차 소급 없음) · "통계" 열은 빈도 가중 2회(제1240회까지) + 마르코프 체인·직전 번호 제외 2회(제1241회부터) + 마르코프 체인·직전 번호 포함 5회의 합산

적중 개수	랜덤	통계	LSTM	트랜스포머	세계통합5회 · 500조합	이론값 (초기하분포)
0개	381	370	362	353	198	360.51
1개	369	399	404	370	214	381.71
2개	125	113	119	146	76	136.33
3개	23	17	15	28	12	20.20
4개	2	1	0	3	0	1.23
5개 🎯	0	0	0	0	0	0.03
6개 🎯	0	0	0	0	0	1.1e-4

각 기법 900조합 기준("—" = 그 회차에 참가하지 않은 기법). 이론값 = 완전 무작위일 때의 기대 조합 수 — 모든 기법이 이 근처면 "어느 기법도 우연 이상이 아니다"는 뜻입니다.

지표	랜덤	통계	LSTM	트랜스포머	세계통합	이론값
회차 평균 적중 수	0.773	0.756	0.763	0.842	0.804	0.800
3개 이상 적중 (누적)	25	18	15	31	12 / 기대 11.92	21.45
역대 최고 적중	4개	4개	3개	4개	3개	—
참가 회차 (누적 시작)	9회 (제1239회~)	9회 (제1239회~)	9회 (제1239회~)	9회 (제1239회~)	5회 (제1243회~)	—

최근 회차별 평균 적중

회차	랜덤	통계	LSTM	트랜스포머	세계통합
제1247회	0.80	0.25	0.72	0.92	0.70
제1246회	0.90	1.18	0.69	0.85	0.88
제1245회	0.80	0.73	0.61	0.69	0.59
제1244회	0.76	0.97	0.82	0.77	0.89
제1243회	0.60	0.66	0.77	0.87	0.96
제1242회	0.83	0.31	0.75	0.98	—
제1241회	0.75	1.05	0.98	0.78	—
제1240회	0.73	0.85	0.67	0.87	—

세계 로또 통합 예측 — 여러 방법을 합치면 정말 더 잘 맞을까?

세계적으로 알려진 로또 선택법과 통계·확률·AI 모델의 신호를 하나로 통합해 회차당 100조합을 만듭니다. 결론은 미리 정하지 않습니다 — 추첨 전에 공개한 조합의 누적 채점으로만 답합니다. 실험 참여 시작: 제1243회 · 이전 회차 성적은 소급하지 않습니다.

전통 분석

후나츠식 · Hot/Cold · Gap

관계 분석

Pair · Triple · Markov

확률·기계학습

Bayesian · ML

딥러닝

LSTM · Transformer

여러 분석 신호 → 과거 데이터에서 검증(walk-forward) → 통합 점수 계산 → 후보 조합 20,000개 생성 → 서로 지나치게 비슷한 조합 제거 → 100조합. 가중치는 개발자가 정하지 않고 최근 20회차를 "그 이전 이력만으로" 예측한 결과에서 학습합니다(한 기법 최대 30%).

walk-forward 성적 (leave-one-out) — 당첨번호 로그손실 3.811 vs 균등 3.807 · 당첨번호의 통합 점수 백분위 평균 0.493 (무정보 = 0.500) · 상위 6/10/15 재현율 12% / 17% / 34% (무정보 = 13% / 22% / 33%). 무작위 추첨이라면 이 값들은 무정보 기준선 근처에서 흔들릴 뿐입니다.

번호 층 — 신호별 가중치 (그룹 → 그룹 내 분배)

전통 통계 20%	Hot / Cold 10% · Gap / Overdue 10%
관계 분석 20%	Markov 20%
확률 20%	Bayesian 20%
기계학습 19%	기계학습 19%
딥러닝 21%	LSTM 10% · Transformer 10%

조합 층 — 조합 속성 가중치

번호 통합 점수 18% · 후나츠 사카이식 23% · Pair 33% · Triple 12% · 구조 관계 13%

Hot / Cold: 최근 10·24·50·100회·전체 구간의 출현 횟수를 기대값(구간×6/45)과 비교한 편차의 평균. 과거를 기술하는 통계일 뿐 다음 회차 확률을 뜻하지 않는다. Gap / Overdue: 현재 미출현 기간 ÷ 역대 평균 간격(0~3 으로 clip). "이제 나올 차례"가 아니라 미출현 기간을 표현하는 신호. Bayesian: 번호별 포함 여부를 Beta 사전분포로 갱신한 사후 평균. 사전분포를 강하게(300회차 상당) 두어 작은 빈도 차이를 "번호의 능력"으로 오인하지 않게 한다. Markov: 직전 회차 번호 j 가 나온 다음 회차에 n 이 나온 조건부 빈도 P(n_t | j_{t-1}) 를 6/45 쪽으로 축소(smoothing)해 직전 6개 번호에 대해 평균. 기계학습: 회차×번호 행(빈도 편차·gap·직전 포함·직전 번호와의 공출현·베이즈·마르코프·홀짝·구간)으로 "다음 회차 포함"을 학습한 로지스틱 회귀. 시간 순서 walk-forward 로만 학습. LSTM: 이 실험의 LSTM(이력 토큰 스트림으로 실제 학습)에서 조합을 샘플링해 얻은 번호별 포함 빈도. Transformer: 이 실험의 트랜스포머 디코더에서 같은 방식으로 얻은 번호별 포함 빈도. 후나츠 사카이식: 약한 prior — 최근 30회 출현 횟수에 연속 가중치(3·4회 0.95 · 2·5회 0.61 · 1·6회 0.25 · 0·7회 0.07)를 주고, 직전 회차 번호가 정확히 1개면 1.0(0·2개 0.4)을 준 뒤 반반 합산. 번호를 지우지 않으며 조합 점수 안 비중은 최대 25%. Pair: 조합 안 15개 쌍의 과거 공출현 lift(라플라스 축소) 평균. Triple: 조합 안 20개 3중쌍의 과거 공출현 lift 평균. 표본이 매우 적어(300회에 3중쌍 하나당 기대 0.42회) Pair보다 훨씬 강하게 1 쪽으로 축소합니다(WE-1.1부터 관측 반영 약 9%). 구조 관계: 홀짝 수·저고(1~22/23~45) 수·번호합 구간·연속쌍 수의 과거 분포를 무작위 조합 분포와 비교한 로그 우도비 평균. hard filter 로 쓰지 않는다.

이번 회차 번호 통합 점수 상위 10 (0~1, 백분위 정규화 신호의 가중합)

27 · 0.76

18 · 0.75

33 · 0.71

12 · 0.70

34 · 0.69

45 · 0.68

15 · 0.67

13 · 0.67

20 · 0.63

40 · 0.62

조합 100개는 상위 번호를 그대로 묶은 것이 아니라 softmax(점수/T, T=2) 확률로 후보 20,000개를 뽑아 조합 점수를 매긴 뒤, 두 단계로 배치한 것입니다. ① 구간 쿼터 — 최근 30회 빈도로 나눈 구간(중심 · 중심+저빈도 · 중심+고빈도 · 그 밖)에 실제 추첨(균등 무작위)이 떨어질 확률에 비례해 90조합, 번호 점수와 무관한 무작위 탐색 10조합. ② coverage 최적화 — 점수 합 + 덮은 번호쌍·번호 수 − 3개 이상 겹침 − 번호 편중을 함께 최대화(Gail Howard의 wheeling 발상). 배치는 기대 당첨 수를 바꾸지 않고, 3개 이상 일치가 한 장도 없는 주를 줄일 뿐입니다. 재현: 버전 WE-1.1 · 시드 2530565173 (= FNV-1a("1248|WE-1.1|1247")) · 학습 이력 제1247회까지 · 생성 151.4초.

조합별 점수 (상위 5)

#	조합	총점	번호	후나츠	Pair	Triple	구조
1	6 12 15 29 40 45	2.06	3.37	0.94	1.24	1.21	-0.04
2	10 13 16 19 21 33	1.89	3.53	0.78	1.23	1.13	0.06
3	1 13 18 24 27 45	2.08	3.93	0.72	1.27	1.09	0.06
4	3 7 22 27 34 38	1.46	3.27	0.80	1.24	1.08	-0.02
5	2 11 17 26 31 43	-0.26	2.75	0.50	0.97	1.03	0.06

과거 패턴을 이용한 실험적 조합이며 당첨을 보장하지 않습니다. 단일 기법(랜덤·통계·LSTM·트랜스포머)과 같은 조건(100조합)으로 비교되며, 한 회차 결과로 우열을 판단하지 않습니다.

왜 AI도 못 맞힐까 — 이 실험이 가르쳐 주는 것

모델이 멍청해서가 아닙니다. 같은 트랜스포머·LSTM은 패턴이 있는 시퀀스(텍스트 등)는 잘 학습합니다 — 검증 스크립트에서 패턴 데이터의 손실은 하한의 절반 이하로 떨어집니다. 무작위 추첨에는 배울 패턴 자체가 없을 뿐입니다.
"형식은 배워도 내용은 못 배운다" — 모델 손실은 ln 45가 아니라 정렬 인코딩의 이론 하한 ln C(45,6)/7 ≈ 2.273까지는 내려갑니다(오름차순·구분자 규칙 학습). 하지만 본 적 없는 회차에서는 그 아래로 절대 못 내려갑니다. 그 벽이 바로 무작위성입니다.
"많이 나온 번호"(빈도 가중)도, "함께 나온 번호"(마르코프 전이확률)도 마찬가지 — 무작위 추첨에서 빈도·공출현의 차이는 표본 오차일 뿐이라, 누적될수록 균등 난수와 구분되지 않습니다. 통계 기법은 제1240회까지 빈도 가중, 제1241회부터 마르코프 체인 실험실과 같은 기법입니다.
"여러 방법을 합치면 더 잘 맞을까?" — 세계 로또 통합 예측은 후나츠식·Hot/Cold·Gap·Pair/Triple·Delta·Positional·Bayesian·Markov·ML·LSTM·트랜스포머의 신호를 walk-forward 로 학습한 가중치로 통합하고, 100조합은 Covering/Wheeling 최적화로 따로 배치합니다. 각 신호가 표본 오차라면 합쳐도 표본 오차입니다 — 그것이 맞는지는 누적 표가 답합니다.
1등 확률은 조합당 1/8,145,060. 매주 500조합씩 1년을 돌려도 1등 기대값은 약 0.0032번입니다. 이 페이지의 누적 표가 그 산수를 실제 데이터로 재현해 갑니다.

마르코프 전이확률 →

이 실험의 트랜스포머 구조 뜯어보기 →베이지안 네트워크 실험 마르코프 체인 실험

이 페이지는 교육·오락 목적입니다. 어떤 기법도 당첨 확률을 높이지 못하며, 복권 구매는 여기 나온 번호와 무관하게 본인 책임입니다.

다른 개념·실습실 찾기

개념·랩·가이드 검색

Ctrl K

자주 묻는 질문 — 로또 AI 예측, 정말 가능할까?

Q. AI가 로또 번호를 예측할 수 있나요?

이 페이지의 실측으로는 아닙니다. LSTM과 트랜스포머는 역대 당첨 이력으로 실제로 학습하지만, 학습에 쓰지 않은 최근 회차(홀드아웃)에 대한 손실은 무작위 추첨의 이론 하한 ln C(45,6)/7 ≈ 2.273 아래로 내려가지 못하고, 추첨 후 채점한 적중 분포도 초기하분포 이론값 근처에 머뭅니다. 결과는 매주 누적되어 이 페이지에서 확인할 수 있습니다.

관련: 트랜스포머 디코더 구조 · 초기하분포

Q. 로또 당첨번호는 과거 데이터로 예측할 수 있나요?

공정한 추첨은 회차마다 독립이라 과거 회차가 다음 회차의 확률을 바꾸지 않습니다. 공정한 추첨을 가정하면, 과거 데이터에서 보이는 번호별 빈도·미출현 기간·공출현의 차이는 지속적인 예측 신호라기보다 표본 변동으로 설명될 수 있습니다. 이 페이지는 그 가정을 믿어 달라고 하지 않고, 매주 추첨 전에 100조합을 공개하고 추첨 후 채점해 검증합니다.

Q. LSTM이나 트랜스포머가 랜덤보다 잘 맞나요?

누적 통계 표에서 직접 비교할 수 있습니다. 완전 무작위라면 조합당 평균 0.8개 적중, 100조합당 3개 이상 적중은 약 2.4조합이 기대값입니다. 지금까지 랜덤·통계·LSTM·트랜스포머 모두 이 이론값 근처에 있으며, 한 회차의 우열은 우연의 범위 안입니다.

관련: LSTM 개념 · Transformer 개념

Q. 로또 번호는 정말 모두 같은 확률인가요?

네. 로또 6/45에서 한 번호가 한 회차에 포함될 확률은 6/45 ≈ 13.3%로 모두 같고, 6개 번호 조합 8,145,060가지도 모두 같은 확률입니다. 다만 "각 번호가 균등하다"와 "6개를 독립적인 균등분포에서 뽑는다"는 다릅니다 — 비복원 추출이라 같은 번호가 두 번 나올 수 없고 번호들은 서로 독립이 아닙니다.

Q. 많이 나온 번호를 고르면 유리한가요?

아닙니다. 어떤 6개 조합도 당첨 확률이 1/8,145,060으로 같습니다. 이 실험의 "통계 기법"은 많이 나온 번호(빈도 가중)·함께 나온 번호(마르코프 체인) 전략을 정직하게 그대로 구현한 것인데, 누적 결과는 균등 난수와 구분되지 않습니다.

Q. 마르코프 체인은 로또 예측에 효과가 있나요?

마르코프 체인은 과거 회차에서 번호가 함께 나온 전이확률을 계산합니다. 그 값은 과거를 기술할 뿐 다음 회차의 확률을 바꾸지 못하며, 이 실험의 통계 기법(제1241회부터 마르코프 체인)도 이론값 근처에 머뭅니다. 마르코프 체인 실험실에서 전이확률 계산 과정을 직접 볼 수 있습니다.

관련: 마르코프 체인 개념 · 마르코프 체인 실험실

Q. 세계 로또 통합 예측은 무엇인가요?

후나츠식, Hot/Cold, Gap, Pair/Triple, Delta, Positional, Bayesian, Markov, 기계학습, LSTM, 트랜스포머 등 세계적으로 알려진 로또 분석법의 신호를 하나로 통합해 만든 100조합입니다. 여러 방법을 합치면 랜덤보다 나은지를 검증하는 다섯 번째 실험군이며, 참여를 시작한 회차부터 누적 통계를 냅니다. 당첨을 보장하지 않습니다.