做美股行情接入几年，我发现流式推送的 tick 数据里，最容易被忽略的其实是交易时段。刚开始接入美股api时，看到一堆连续跳动的价格，不清楚是盘前还是盘后，导致策略回测和实时处理出现偏差。慢慢地，我摸索出一些方法，把不同交易阶段区分开，既可以保证数据使用的准确性，也方便做多标的同时订阅和处理。

美股交易时段结构

美股市场的交易阶段主要分为盘前、盘中和盘后三类，每个时段的行为特征都不一样。在流式行情里，这些界限不会自动标注，需要自己通过时间或状态字段判断。

时段	美东时间	行为特征
盘前	04:00 - 09:30	成交稀疏，价格跳动明显
盘中	09:30 - 16:00	成交密集，价格连续
盘后	16:00 - 20:00	事件驱动，波动不均

这些时间区间是最基础的参考，结合实际 tick 数据，可以给每条行情打上对应的阶段标签。

流式数据里的识别字段

大部分美股api在推送 tick 数据时，会带时间戳，部分接口还会提供交易状态字段。时间戳是最通用的方式，把 UTC 转成美东时间后直接判断时段就可以。交易状态字段则更直观，例如 PRE、REGULAR、AFTER，看到字段就能知道当前 tick 所属阶段。在实践中，我通常用状态字段做优先判断，再用时间戳校验，避免跨时区带来的误差。

实战代码示例

以AllTick API为例，WebSocket 推送里每条 tick 都有时间戳和价格字段，可以直接用时间戳做阶段归类：

import websocket
import json
from datetime import datetime, timezone, timedelta

def classify (ts):
est = datetime.fromtimestamp(ts, timezone(timedelta(hours= -5 )))
h = est.hour + est.minute / 60
if 4 <= h < 9.5 :
return "pre-market"
if 9.5 <= h < 16 :
return "regular"
return "after-hours"

def on_message (ws, message):
data = json.loads(message)
ts = int(data[ "timestamp" ])
period = classify(ts)
print(data[ "symbol" ], data[ "price" ], period)

ws = websocket.WebSocketApp(
"wss://apis.alltick.co/stock-websocket-api/transaction-quote-subscription" ,
>
)
ws.run_forever()

这种方式无需依赖额外字段，只靠时间戳就能完成基础分段，适合多标的同时订阅，保持逻辑一致。

时区和夏令时影响

美股时间看似固定，但夏令时会让 UTC 偏移变化。如果直接写死 -5 小时，部分月份会出现误差。使用时区库映射美东时间，可以让系统自动处理偏移。在多市场接入场景下，这一点尤其重要，不然 tick 数据对齐容易出偏差。

不同阶段的行情特征

盘前成交稀少，价格跳动明显，但连续性差。盘中成交密集，价格连续，是大多数策略的核心数据源。盘后更多受新闻或事件驱动，价格波动不均。把这些阶段拆开处理，可以分别应用不同逻辑，而不是统一计算。

行情流里的规律

流式美股api数据看起来只是不断推送价格，其实背后每个阶段的“行为结构”差异很大。同一个标的在不同交易阶段，波动模式、成交密度、价格连续性都不一样。把时段识别嵌进去之后，后续指标或策略触发会更稳定。

ITPub博客

美股api的流式推送中，如何区分盘中、盘后和盘前交易时段