示例，获取贵州茅台数据

核心思想与Python源码实现指南

在量化交易领域，威廉·欧奈儿（William J. O'Neil）的CAN SLIM投资体系因其“基本面 技术面”双轮驱动的独特逻辑，成为无数投资者追寻的“圣杯”，而将这套体系转化为可量化的交易指标，则是将其从理论落地的关键一步，本文将深入解析欧奈儿核心量化指标的设计思想，并基于Python提供源码实现，帮助交易者理解、复现并应用于实际策略。

欧奈儿量化指标的核心逻辑：从CAN SLIM到数字信号

欧奈儿的CAN SLIM体系包含7个核心维度：当季每股收益增长（C）、年度每股收益增长（A）、新产品、新管理层、新 highs（N）、供给与需求（S）、市场整体走向（I），最容易被量化且直接关联交易时机的，是“新高突破”与“相对强度”两大技术指标，这也是欧奈儿“在正确的时机买入强势股”思想的集中体现。

新高突破（New High, NH）

欧奈儿认为，股价创近期新高（如52周新高）是股票进入强势阶段的信号，意味着市场对其价值的认可，量化时需结合“成交量确认”——突破新高当日成交量需显著放大（如超过过去50日均量的1.5倍），避免“无量假突破”。

相对强度（Relative Strength, RS）

相对强度衡量个股相对于大盘（如沪深300、标普500）的走势强弱，欧奈儿常用“RS评级”（1-100分，越高越强），核心是计算一段时间内个股涨幅与指数涨幅的比值，通常要求RS评级≥80，即股票表现强于80%以上的其他股票。

Python源码实现：构建欧奈儿量化指标

基于上述逻辑，我们用Python实现“新高突破”和“相对强度”两大核心指标，并给出综合信号示例。

环境准备

import pandas as pd
import numpy as np
import akshare as ak  # 用于获取股票数据（也可用tushare、yfinance等）

数据获取

以A股为例，获取某股票过去一年的日线数据及对应指数数据：

def get_stock_data(stock_code, index_code="000300.SH", period="daily"):
    """获取股票及指数数据"""
    # 获取股票数据（示例：贵州茅台，股票代码600519）
    stock_df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date="20230101", end_date="20231231", adjust="qfq")
    stock_df = stock_df[['日期', '开盘', '收盘', '最高', '最低', '成交量']]
    stock_df.columns = ['date', 'open', 'close', 'high', 'low', 'volume']
    stock_df['date'] = pd.to_datetime(stock_df['date'])
    stock_df = stock_df.sort_values('date').reset_index(drop=True)
    # 获取指数数据（沪深300）
    index_df = ak.stock_zh_index_hist(symbol=index_code, period="daily", start_date="20230101", end_date="20231231")
    index_df = index_df[['日期', '收盘']]
    index_df.columns = ['date', 'index_close']
    index_df['date'] = pd.to_datetime(index_df['date'])
    # 合并数据
    df = pd.merge(stock_df, index_df, on='date', how='left')
    return df
stock_code = "600519"  # 贵州茅台
df = get_stock_data(stock_code)

新高突破指标实现

def new_high_breakout(df, window=252, volume_ratio=1.5):
    """
    计算新高突破信号
    :param df: 包含股价数据的DataFrame
    :param window: 新高周期（默认252个交易日≈1年）
    :param volume_ratio: 成交量放大倍数阈值
    :return: 包含新高信号的DataFrame
    """
    # 计算52周最高价
    df['high_window_max'] = df['high'].rolling(window=window, min_periods=1).max()
    # 标记新高日（当日最高价=窗口内最高价）
    df['is_new_high'] = (df['high'] == df['high_window_max']).astype(int)
    # 计算日均成交量
    df['avg_volume'] = df['volume'].rolling(window=50, min_periods=1).mean()
    # 突破条件：当日最高价创52周新高   成交量放大1.5倍
    df['breakout_signal'] = (df['is_new_high'] == 1) & (df['volume'] > volume_ratio * df['avg_volume'])
    return df
df = new_high_breakout(df)

相对强度指标实现

def relative_strength(df, period=12):
    """
    计算相对强度（RS）及RS评级
    :param df: 包含股价及指数数据的DataFrame
    :param period: 相对强度计算周期（默认12个月≈250个交易日，这里简化用12周≈60个交易日）
    :return: 包含RS及RS评级的DataFrame
    """
    # 计算个股及指数的周期涨跌幅
    df['stock_return'] = df['close'].pct_change(periods=period*5)  # 12周≈60个交易日
    df['index_return'] = df['index_close'].pct_change(periods=period*5)
    # 相对强度 = 个股涨跌幅 / 指数涨跌幅（避免除以0）
    df['rs'] = np.where(df['index_return'] != 0, df['stock_return'] / df['index_return'], 1)
    # 计算RS评级（将RS值映射到1-100分，取滚动分位数）
    df['rs_percentile'] = df['rs'].rolling(window=252, min_periods=60).rank(pct=True) * 100
    df['rs_rating'] = df['rs_percentile'].round(0).astype(int)
    return df
df = relative_strength(df)

综合信号生成

欧奈儿理想的买入信号是：新高突破 RS评级≥80 成交量确认。

def generate_oney_signals(df):
    """生成欧奈儿综合买入信号"""
    df['oneil_signal'] = (df['breakout_signal'] == 1) & (df['rs_rating'] >= 80)
    return df
df = generate_oney_signals(df)
# 输出信号日期
signal_dates = df[df['oneil_signal'] == 1]['date'].tolist()
print(f"欧奈儿买入信号触发日期：{signal_dates}")

指标应用与注意事项

指标应用场景

• 选股：通过扫描全市场股票，筛选出“新高突破 高RS评级”的标的，缩小观察范围。
• 择时：结合成交量确认的突破信号，作为买入触发点，避免追高。
• 止损：欧奈儿强调“亏损7%立即止损”，可在指标中设置止损线（如买入价下跌7%时卖出）。

关键注意事项

• 参数优化：window（新高周期）、volume_ratio（成交量阈值）、period（RS计算周期）需根据市场风格调整，例如牛市可缩短周期，熊市需放大成交量确认。
• 市场环境适配：欧奈儿体系适用于趋势明显的市场，震荡市中“新高突破”易出现假信号，需结合大盘走势（I维度）过滤。
• 数据质量：高频数据（如分钟级）可能放大噪声，日线数据更符合欧奈儿原周期设计。

欧奈儿量化交易指标的精髓，是将“强者恒强”的市场哲学转化为可量化的数字信号，通过Python实现新高突破与相对强度指标，交易者不仅能理解其底层逻辑，还能根据自身需求优化参数，但需注意：没有“万能指标”，量化工具的核心是辅助决策，最终的成功仍需结合风险管理和持续的市场观察。