手把手带你用Python识别美股tick数据的交易时段

记得我刚开始自学量化的时候，曾经激动地盯着一大早突然拉升的股票杀进去，结果九点半正式开盘后价格瞬间打回原形——后来才知道那只是盘前流动性不足引发的假突破。这个教训让我下定决心把“时段识别”写进数据接收的第一关。今天我就用一篇学习笔记的方式，带你复现这个技能。

为什么必须要分盘前、盘中、盘后？

美股交易时间其实有三个明显层次：盘前、正常交易时段和盘后。它们之间的波动逻辑、流动性和信息含量完全不同。下面这个表格可以帮你快速建立认知。

WebSocket推流的tick数据虽然实时性很好，但绝大多数不会标记当前处于哪个阶段。这就需要我们自己在客户端进行判断。

解法一：从时间戳推算

大部分行情api都会给出每条tick的时间戳。我们可以用pytz把时间戳转成美东时间，然后判断小时和分钟落在哪个区间。

from datetime import datetime
import pytz

# US Eastern timezone
et = pytz.timezone('US/Eastern')

def get_session(ts):
    t = datetime.fromtimestamp(ts, et)
    # Check pre-market
    if t.hour < 9 or (t.hour == 9 and t.minute < 30):
        return "pre"
    # Regular trading hours
    if t.hour < 16:
        return "regular"
    # After-hours
    return "after"

提醒一下，美东夏令时的起始日是个坑，如果你觉得时区处理太麻烦，也可以用支持历史夏令时转换的库来保证准确性。

解法二：利用交易状态字段

有些行情提供方会在WebSocket消息体中显式给出一个状态字段，比如sessionType。这种情况下就不需要自己计算时间，直接映射即可。不过从我的实际测试来看，各家对这个字段的维护标准和边界处理并不统一，最好用历史数据先做一轮验证。

动手接一个实时流试试

我在日常练习和原型开发中常会用到ALLTICK API的实时WebSocket接口，它的推送同时带上了时间戳和价格信息，很适合用来练习。下面这段代码就是在接收到tick后自动打上时段标签并打印出来。

import websocket
import json
from datetime import datetime
import pytz

# US Eastern timezone
et = pytz.timezone('US/Eastern')

def session(ts):
    t = datetime.fromtimestamp(ts, et)
    if t.hour < 9 or (t.hour == 9 and t.minute < 30):
        return "pre"
    elif t.hour < 16:
        return "regular"
    else:
        return "after"

def on_message(ws, message):
    data = json.loads(message)
    s = session(data["timestamp"])
    print(f"{data['symbol']} | {s} | {data['price']} | {data['volume']}")

# Connect to WebSocket stream
ws = websocket.WebSocketApp("wss://ws.alltick.co/stock", on_message=on_message)
ws.run_forever()

从学习效率的角度看，一开始就把时段判断封装成函数，比在回测和实盘中到处粘贴时间判断逻辑要高效得多。你也可以把这个功能做成一个独立的工具模块，后续无论是做盘口分析还是构建分钟K线，都能直接复用。

实盘的路上，很多坑都藏在细节里。把盘前、盘中、盘后当作“一级分类”来处理，你的策略就不会再被那些莫名其妙的假信号迷惑了。