威廉·欧奈尔这套七个字母的选股法，我在A股测了一遍

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：老余最近把欧奈尔的CANSLIM框架搬到了A股，又顺手写了一段Python代码。七个字母，七成看质地，三成看市场。今天我把这套流传了四十年的选股逻辑、国内适配方案和代码一并整理给你，看完你也许能少踩几个坑。

做量化这些年，我见过太多人把研究公司搞成了玄学。有人看消息面，有人看五行八卦，还有人把K线看成艺术品。说实话，这些方法不是完全没道理，但很难复制。

今天老余想和你聊一套很老派、但很实在的东西。上世纪八十年代，有个叫威廉·欧奈尔的投资人，干了件非常务实的事：他把那些年涨幅靠前的公司全部翻出来，逐个对比财报、股价和筹码结构，最后总结出七个字母。这套方法后来被他写进书里，英文名很直接，叫 CANSLIM。

它既不是纯粹的基本面分析，也不是纯粹的技术分析，而是把两者拧在了一起。核心思想只有一个：找到那些业绩在加速、价格在走强、市场也在配合的公司。

下面我把这七个字母拆开讲，再告诉你怎么在A股环境里用它，最后附上一段能直接跑的Python代码。

一、七个字母，到底在筛什么

CANSLIM是七个英文单词的首字母缩写。欧奈尔认为，一只标如果要走出持续行情，至少要满足这七条里的多数条件。

C 和 A：先看过往业绩

欧奈尔对业绩的要求很苛刻。一个季度好不算好，他要看最近这个季度的扣非净利润增速比去年同期高多少，而且门槛是25%。不是5%，也不是10%，是25%。

这个标准直接把大部分平庸公司挡在了门外。你想，一家公司如果当季利润能加速增长，说明它的产品或服务正在被市场更快地接受。A股里看这一条，建议直接拉财务报表里的”扣非净利润同比增长”，避免被一次性非经常性损益干扰。

A则是看持续性。一年好可能是运气，连续三年好才是能力。欧奈尔喜欢那些年均利润增速稳定在25%以上，同时净资产收益率ROE超过17%的公司。这两个数字不神圣，但确实能把很多周期股和概念股过滤掉。

N：有没有新故事

欧奈尔发现，几乎所有的大行情背后都有一个”新”字。新产品、新技术、新管理层、新产业趋势，都算。没有新催化，资金很难形成共识。

他还有一句很反常识的话：要买那些创52周新高的公司。很多人觉得涨了那么多还能买吗？欧奈尔的数据结论是可以，而且很多时候是新行情的开始，不是结束。当然，这里要看的是接近新高，而不是已经翻了五倍的那种高位。

S：流通盘别太大

这个指标在美股和A股的理解略有不同。欧奈尔原话是看流通股数量，最好在2500万股以下，这样买盘进来更容易推动价格。A股很多公司股本都偏大，所以不能机械照搬。老余建议换成看流通市值，回避那些几万亿的巨无霸，重点关注500亿以下的中小盘，筹码结构更轻。

L：RPS相对强度

这是欧奈尔体系里我最看重的一条，也是国内量化圈这几年用得最多的一个指标。RPS全称Relative Price Strength，股价相对强度。

计算方法很简单：把全市场所有公司过去250天的涨幅排个名，如果一家公司排在前20%，它的RPS就是80以上。欧奈尔只关注RPS大于80的公司。他的逻辑是：既然要买，为什么不买同一行业里最强势的那个？

国内有些量化团队用120日或60日RPS做辅助，但250日依然是主流基准。这个指标的好处是客观，不掺杂主观感情。

I：机构是不是在加仓

欧奈尔认为，一家要走出大趋势的公司，背后必须有机构在持续买。但这里有个微妙的平衡：机构要有，但不能太多。如果全市场的基金都重仓了，后续谁还能继续买？

在A股里看这条，可以跟踪公募季报持仓变化和北向资金持股占比。环比出现新增机构，或者北向在稳步流入，都是积极信号。

M：大势环境

这一条最容易被忽略，也最重要。欧奈尔说，如果整个市场处于明确的下行趋势，再好的公司也不要轻易碰。因为统计上看，大约四分之三的公司会跟着大势走。

A股里就是看沪深300指数是否在200日均线上方。如果指数在均线下方运行，说明大势偏弱，这时候再好的筛选结果也要打个折扣。

二、这套逻辑在A股能跑通吗

直接说结论：能跑通，但要改改用。

雪球和东方财富上很早就有研究者把CANSLIM本土化。有人照着这个思路做了一个”胜券50“组合，长期表现显著跑赢了沪深300指数。国内也有量化团队把RPS指标集成进选股系统，用来识别短期强势股。

不过A股和美股有三个明显差异，你得知道：

• 财务数据披露节奏不同。A股季报披露有固定窗口，而且经常踩点发布，数据滞后性比美股更严重。
• 流通盘和筹码结构差异大。A股小市值公司波动极大，RPS高的时候可能已经在高位；而大盘蓝筹RPS很难冲到90以上。所以S和L要联动看。
• 机构行为更集中。A股的公募和北向资金偏好很明确，容易在个别板块形成拥挤。I这条要关注新增机构，而不是总持仓。

所以老余的建议是：把CANSLIM当作一个漏斗，而不是一个开关。它的作用是帮你从四千多家公司里快速筛出一个几十家的观察池，后面的工作还得靠你自己。

三、自己动手：A股版CANSLIM筛选器

下面这段代码用到了 akshare，这是国内量化爱好者最常用的免费数据接口之一，不需要注册token，安装就能用。

环境准备：在终端执行 pip install akshare pandas numpy 即可。

代码逻辑分为四步：获取A股列表、批量计算技术指标和RPS、接入财务数据（你也可替换成Tushare Pro接口）、综合打分输出CSV。

import akshare as ak

import pandas as pd

import numpy as np

from datetime import datetime, timedelta



def get_stock_pool():

    """获取A股池，剔除ST、退市股和北交所"""

    df = ak.stock_zh_a_spot_em()

    # 过滤ST、退市、名称异常

    df = df[~df['名称'].str.contains('ST|退', regex=False, na=False)]

    # 北交所8开头，科创板688开头（可选过滤）

    df = df[~df['代码'].str.startswith('8')]

    df = df[~df['代码'].str.startswith('68')]

    return df[['代码', '名称', '总市值', '换手率']].copy()



def fetch_hist_and_compute(code):

    """获取历史数据，计算250日涨幅与200日均线"""

    try:

        start = (datetime.now() - timedelta(days=380)).strftime("%Y%m%d")

        end = datetime.now().strftime("%Y%m%d")

        hist = ak.stock_zh_a_hist(

            symbol=code, period="daily",

            start_date=start, end_date=end, adjust="qfq"

        )

        if len(hist) < 250:

            return None


        close = hist['收盘']

        ret_250 = (close.iloc[-1] - close.iloc[-250]) / close.iloc[-250]

        ma200 = close.rolling(200).mean().iloc[-1]

        high_52w = close.tail(250).max()


        return {

            'return_250': ret_250,

            'price': close.iloc[-1],

            'ma200': ma200,

            'high_52w': high_52w

        }

    except Exception:

        return None



def get_financial_proxy(code):

    """

    财务数据建议通过 Tushare Pro / AKShare 财务接口补充。

    此处为演示占位；实际运行时应接入季度净利润增速与ROE。

    """

    # 示例接口参考：

    # ak.stock_profit_sheet_by_quarterly_em()

    # 或 tushare pro 的 fina_indicator 接口

    return {'eps_growth': None, 'roe': None}



def canslim_a_share_screener(top_n=120):

    print(">>> 正在加载A股实时数据...")

    pool = get_stock_pool().nlargest(top_n, '总市值')


    # 第一步：批量获取技术指标

    tech_list = []

    for _, row in pool.iterrows():

        info = fetch_hist_and_compute(row['代码'])

        if info:

            info['代码'] = row['代码']

            info['名称'] = row['名称']

            info['总市值'] = row['总市值']

            info['换手率'] = row['换手率']

            tech_list.append(info)


    if not tech_list:

        print("未获取到有效数据，请检查网络或数据源。")

        return pd.DataFrame()


    tech_df = pd.DataFrame(tech_list)


    # 第二步：计算RPS（250日涨幅的市场百分位）

    tech_df['rps'] = tech_df['return_250'].rank(pct=True) * 100


    # 第三步：逐条打分

    results = []

    for _, row in tech_df.iterrows():

        # C: 当季净利润增速 ≥ 25%（需接入财务数据）

        c = False  # 示例：row['eps_growth'] >= 0.25


        # A: 年度业绩增长 + ROE（需接入财务数据）

        a = False  # 示例：row['roe'] >= 0.17


        # N: 股价距离52周高点在15%以内

        n = (row['price'] / row['high_52w'] >= 0.85) if row['high_52w'] else False


        # S: 流通供给偏好中等偏小（示例：总市值低于500亿）

        s = row['总市值'] < 500_000_000_000


        # L: RPS ≥ 80（领涨股）

        l = row['rps'] >= 80


        # I: 关注度适中（用换手率粗略模拟流动性，非真实机构占比）

        i = 0.02 <= row['换手率'] <= 0.15


        # M: 价格在200日均线上方（大势向上）

        m = row['price'] > row['ma200'] if pd.notna(row['ma200']) else False


        score = sum([c, a, n, s, l, i, m])

        results.append({

            '代码': row['代码'],

            '名称': row['名称'],

            '得分': score,

            'RPS': round(row['rps'], 1),

            '距52周高点': f"{row['price']/row['high_52w']:.1%}" if row['high_52w'] else '-',

            '总市值(亿)': round(row['总市值']/1e8, 1),

            'N_近新高': '是' if n else '否',

            'S_中小盘': '是' if s else '否',

            'L_RPS≥80': '是' if l else '否',

            'I_换手适中': '是' if i else '否',

            'M_均线上方': '是' if m else '否',

        })


    df = pd.DataFrame(results).sort_values('得分', ascending=False)

    df.to_csv("canslim_a_share.csv", index=False, encoding='utf-8-sig')

    print(f">>> 扫描完成，结果已保存，共 {len(df)} 条。")

    return df



if __name__ == '__main__':

    df = canslim_a_share_screener(top_n=100)

    print(df.head(10)[['代码','名称','得分','RPS']].to_string(index=False))

关于财务数据的说明：上面代码里C和A打了占位符，因为akshare的实时行情接口不直接返回季度EPS增速和ROE。建议有需求的读者接入 Tushare Pro 的fina_indicator 接口，或akshare的财务报表接口，把 eps_growth 和 roe 补上，整个框架就跑通了。

运行后会在当前目录生成一个 canslim_a_share.csv，按得分从高到低排列。你可以把 top_n 调大去扫更多公司，但注意全市场4000多只跑下来需要一定时间，建议晚上挂机跑。

四、跑出来之后，怎么用这个结果

代码只是帮你缩小范围。假设一家公司得了6分或7分，说明它同时满足多个条件，进入了”观察池”。但这不意味着你可以闭眼进场。

老余的习惯是：打分高的公司，我会再花十分钟看三件事。

1. 看行业。它所处的行业是不是当前有产业催化的方向？这条需要验证。
2. 看图形。是不是处于平台突破或杯柄形态？欧奈尔对K线形态有一套自己的叫法，核心就是不要在深度调整中接飞刀。
3. 看筹码。近期有没有大额解禁？股东有没有减持公告？S和I不只是数字，还要结合具体事件。

如果这三件事都过关，再谈下一步。记住，CANSLIM是漏斗，不是触发器。

五、几个要避开的坑

任何方法都有边界，老余必须如实告诉你。

第一，它天生偏向成长风格。如果你信奉低估值逆向投资，这套方法会让你很不舒服。它筛出来的都是已经涨过一段、看起来”不便宜”的公司。

第二，数据滞后是硬伤。财报有披露期，等你看到季度增长25%时，可能已经过去两个月。欧奈尔当年用的是即时的机构数据，我们现在用免费接口，延迟是不可避免的。

第三，A股的小市值陷阱。S这条如果理解偏了，容易筛到一堆庄股或流动性极差的冷门公司。建议把总市值下限也设好，比如不低于50亿，避开仙股。

第四，RPS高不代表后续一定强。RPS是后视镜，反映的是过去250天谁涨得好。如果一家公司全靠一个消息刺激涨到前5%，RPS会很高，但基本面可能撑不住。所以要配合C和A一起看。

老余的一句话总结：CANSLIM的核心价值，是逼你在”好公司”和”好走势”之间找一个交集。很多人只看其中一个，欧奈尔要求你同时满足。这个思维习惯本身，就比任何单一指标都值钱。

六、写在最后

写这篇文章的时候，我刻意避开了那些让你”热血沸腾”的词汇。因为做投资，第一步是承认自己没有水晶球，第二步是建立一套可以重复执行的规则。

CANSLIM流传了四十年，不是因为它是完美的系统，而是因为它把”找强势股”这件复杂的事，拆成了七个可以量化、可以检验的步骤。在A股，数据源要换，参数要调，但底层逻辑没变：业绩加速、价格走强、市场配合。

希望这段代码和这套思路，能帮你在四千多家公司里，更快地找到值得花时间去研究的少数派。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化选股 #CANSLIM #欧奈尔 #A股 #Python量化 #相对强度RPS #成长股筛选 #财务指标 #机构持仓 #市场趋势