> ## Content Index
> Fetch the complete content index at: https://blog.algorover.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# YouTube 上“99% 胜率”的交易策略，交给 AI 回测后怎么样了？
- URL: https://blog.algorover.ai/zh/youtube-strategy-backtest/
- Published: 2026-11-06T10:38:48.000Z
- Updated: 2026-11-06T10:38:48.000Z
- Description: YouTube 上宣称“99% 胜率”的交易策略，值得花时间研究吗？这位用户借助 AlgoRover，通过对话整理视频规则、生成策略并运行历史回测，比较不同周期的收益和回撤，再决定是否继续研究。
- Author: AlgoRover Team
- Tags: Product Tutorials, AI Trading, #zh-cn

看到 YouTube 上宣称“99% 胜率”的交易策略，想试，又得反复看视频、记规则、核对买卖信号——光是复现规则，就够耗掉一个周末。一位用户在社区分享了他的做法：借助 **AlgoRover——一个用自然语言研究量化策略的 AI 工具**，通过对话把视频里的交易思路整理成策略，再运行历史回测、比较不同周期的表现。他想先回答一个问题：视频里的方法，跑出来到底表现怎样？

## 借助 AlgoRover，把视频规则变成可测试的策略

他刷到一个在 YouTube 上已有九万多次观看、介绍 EMA 交易策略的视频，宣传中提到了“99% 胜率”。这套策略用 EMA50 和 EMA200 判断交易方向，结合过滤器信号寻找买卖时机，并在持仓后分批退出。

他决定先把视频里的讲解整理成明确的交易规则，再借助 AlgoRover 检验这些规则的表现。

真正动手时，工作才刚开始。视频里的指标、参数和开平仓条件都得逐条记下来，操作时还要回头确认：这个信号到底什么时候算出现？少记一个条件，测出来的就可能是另一个策略。

使用 AlgoRover 研究这类策略时，他先把视频链接交给 AI 助手，要求根据讲解复现规则。第一次读取并不顺利，AI 没能看清内容。他继续要求先把视频下载到本地，再分析讲解。这一步让后续策略生成有了可供核对的原始材料。

[![把视频链接交给 AI 助手，继续要求下载到本地分析。](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-download-watermarked-v1.png)](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-download-watermarked-v1.png?ref=blog.algorover.ai)

先读取视频材料，为后续使用 AlgoRover 生成和回测策略准备规则。

接下来，他通过对话推进 AlgoRover 的策略研究流程：先整理交易条件，再生成策略，最后回测。遇到资料读取问题或规则不清楚的地方，就继续补充说明。

在 EMA 视频策略的对话里，他进一步要求列出开平仓逻辑。AI 助手把 EMA50、EMA200、过滤器信号和分批退出条件整理成表格。他可以先逐项核对这些条件，再让 AlgoRover 测试对应的策略，避免把规则理解上的偏差带进回测。

[![EMA 视频策略：整理方向判断、入场、持仓和分批退出条件。](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-rules-watermarked-v1.png)](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-rules-watermarked-v1.png?ref=blog.algorover.ai)

生成策略前，先核对 EMA 视频中的方向判断、入场和退出条件。

规则整理好后，AI 助手生成了策略并保存到本地，随后通过 AlgoRover 运行回测。截图中的 4 小时版本完成了 30 天测试，收益率为 +4.16%，最大回撤为 35.55%。AlgoRover 返回的收益与回撤，让他能够同时查看结果和期间承担的波动。接下来，他继续测试更短的周期。

[![EMA 视频策略的 4 小时版本已生成，并返回 30 天回测结果。](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-generated-watermarked-v1.png)](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-generated-watermarked-v1.png?ref=blog.algorover.ai)

EMA 视频策略的 4 小时版本生成后，通过 AlgoRover 返回 30 天回测结果。

## 用 AlgoRover 比较不同周期，决定是否继续研究

他继续通过对话提出测试要求：把这套 EMA 视频策略分别放到 15 分钟、30 分钟和 1 小时周期，使用 AlgoRover 各跑一轮 30 天回测。截图中，三个版本的收益率分别为 **−27.58%、−3.67% 和 −19.83%**。这组结果让他决定先放下这几个短周期版本。

[![同一套 EMA 规则的三个短周期版本：30 天回测收益率均为负。](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-results-watermarked-v1.png)](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/11/video-results-watermarked-v1.png?ref=blog.algorover.ai)

通过 AlgoRover 比较同一套 EMA 规则：三个短周期版本的 30 天回测收益率均为负。

测试得到负结果，也是有价值的结果——它帮你省下了继续研究的时间。对他来说，AlgoRover 提供了一个具体的判断依据：把视频中的交易想法放进历史数据里，查看所选周期下的表现，再决定是否继续投入时间。

视频里的讲解像一份菜谱：得先确认食材和步骤都抄对了，再评价做出来的菜。**菜谱抄错一味料，炒出来就不是那道菜**——放到策略研究里，就是先核对指标、开平仓条件和周期，再结合 AlgoRover 的回测结果，决定是修改规则、继续测试，还是暂时放下。

## 从收藏视频，到用 AlgoRover 检验交易想法

这次尝试展示了 AlgoRover 在研究过程中的作用：AI 助手读取材料、整理规则，用户通过对话核对和补充条件，再借助 AlgoRover 生成可研究的策略、运行回测和比较不同设置。原本分散在看视频、记笔记、写策略和做测试里的工作，可以围绕同一个交易想法连续推进。

想沿着这个思路开始，可以先选一个规则讲得清楚的视频，说明交易对象、指标参数、开仓与平仓条件，以及准备测试的周期。生成策略后，把实现的规则与视频讲解逐项核对，再用 AlgoRover 查看回测收益、最大回撤和不同周期的表现。

你收藏夹里大概也有几个一直在吃灰的策略视频。借助 [AlgoRover](https://algorover.ai/?utm%5Fsource=algorover%5Fblog&utm%5Fmedium=article%5Fcta&utm%5Fcampaign=video-ppt-strategy-user-story-zh&utm%5Fcontent=try%5Ftool)，从整理视频规则开始，生成策略、跑出回测——第一次研究，就从你最想检验的那个交易想法开始。

## 继续阅读

- [高胜率策略，怎样判断是否值得测试？](https://blog.algorover.ai/zh/high-win-rate-strategy-risk-check/)
- [调了几十组参数才找到一个赚钱的，结果还能信吗？](https://blog.algorover.ai/zh/many-parameters-one-profitable-backtest/)