第一次接美股数据时漏掉盘前盘后，系统上线 3 天后被用户问"为什么开盘前是空的"——这是绝大多数工程师首次接入美股数据的同款坑。

美股一天有 4 个交易时段，但大部分人只接了正盘那 6.5 小时，等于每天有 8.5 小时是瞎的。

问题不只是"少接了几个时段"。盘前盘后的订单簿深度只有正盘的几分之一，但财报和宏观数据偏偏集中在这两个窗口发布。策略代码如果不知道当前处于哪个时段，它无法判断是否应该执行——盘前流动性不足时本该暂停的趋势策略，可能因为没有时段判断逻辑而在错误的时间下单。

yfinance 能拿到盘前盘后数据吗？

能，但有前提：必须加 prepost=True 参数。不加这个参数，history() 只返回正盘数据——这是新手最容易漏的配置项。

import yfinance as yf

ticker = yf.Ticker("AAPL")
# 关键：prepost=True 才能拿到盘前盘后数据
df = ticker.history(period="5d", interval="1m", prepost=True)

能拿到数据，但 yfinance 本身有 3 个限制，在生产环境会逐渐暴露。

坑 1：yfinance 不区分时段，需要自己映射

history() 返回的 DataFrame 没有"当前是盘前还是盘后"的标记，只有时间戳和 OHLCV。你需要自己根据时间戳映射时段。

美东时间对应关系：

hhmm 格式
400  → 盘前开始（4:00 AM ET）
930  → 正盘开始（9:30 AM ET）
1600 → 盘后开始（4:00 PM ET）
2000 → 夜盘开始（8:00 PM ET）

映射函数：

from datetime import datetime
from zoneinfo import ZoneInfo  # Python 3.9+ 内置，无需额外安装

EASTERN = ZoneInfo("America/New_York")

# 时段定义：(开始时间 hhmm, 结束时间 hhmm, 时段名称)
# 注意夜盘跨午夜，拆成两段处理
US_SESSIONS = [
    (400,  930,  "盘前"),
    (930,  1600, "盘中"),
    (1600, 2000, "盘后"),
    (2000, 2400, "夜盘"),  # 夜盘前半：20:00–00:00
    (0,    400,  "夜盘"),  # 夜盘后半：00:00–04:00（跨午夜）
]


def get_current_session() -> str:
    """返回当前美股时段名称，休市返回 '休市'"""
    now = datetime.now(EASTERN)
    t = now.hour * 100 + now.minute

    for begin, end, name in US_SESSIONS:
        if begin > end:
            # 跨午夜时段：begin=2000, end=400 这种情况不存在，
            # 已拆成两段，这里只是保险
            if t >= begin or t < end:
                return name
        else:
            if begin <= t < end:
                return name
    return "休市"


# 给 DataFrame 打时段标签
def label_sessions(df):
    """给 yfinance 返回的 DataFrame 打时段标签"""
    # 转换为美东时间
    df_et = df.copy()
    if df_et.index.tzinfo is None:
        df_et.index = df_et.index.tz_localize("UTC")
    df_et.index = df_et.index.tz_convert(EASTERN)

    def row_session(ts):
        t = ts.hour * 100 + ts.minute
        for begin, end, name in US_SESSIONS:
            if begin <= t < end:
                return name
        return "休市"

    df_et["session"] = df_et.index.map(row_session)
    return df_et

坑 2：时区陷阱——夏令时会让你的时段判断偏移 1 小时

yfinance 返回的时间戳是 UTC，服务器如果跑在 UTC+8，直接用本地时间判断美东时段会差 12-13 小时（夏令时差 12 小时，冬令时差 13 小时）。

不要自己算偏移量，用 zoneinfo 让系统自动处理：

import yfinance as yf
from zoneinfo import ZoneInfo

EASTERN = ZoneInfo("America/New_York")

def get_premarket_data(symbol: str = "AAPL", days: int = 5):
    """拉取近期数据，筛选盘前时段（04:00–09:30 ET）"""
    ticker = yf.Ticker(symbol)
    df = ticker.history(period=f"{days + 2}d", interval="1m", prepost=True)

    if df.empty:
        print(f"未获取到数据（标的：{symbol}，检查代码或网络）")
        return df

    # 转为美东时间再过滤，自动处理夏令时
    df_et = df.tz_convert(EASTERN)

    # 筛选盘前：04:00 ≤ time < 09:30
    # 注意：between_time 默认左闭右闭，需要用 inclusive 参数控制
    premarket = df_et.between_time("04:00", "09:30", inclusive="left")
    return premarket


if __name__ == "__main__":
    print(f"当前时段：{get_current_session()}")

    data = get_premarket_data("AAPL", days=5)
    print(f"\n近 5 日盘前数据（共 {len(data)} 条）：")
    if not data.empty:
        print(data[["Open", "High", "Low", "Close", "Volume"]].tail(5))

这里有个细节：between_time("04:00", "09:30") 默认是左闭右闭，会包含 09:30 的数据——正盘第一分钟会混进来。用 inclusive="left" 改成左闭右开，只取 04:00 ≤ time < 09:30 的数据。

坑 3：港股、A 股需要换库，不是换参数

yfinance 的覆盖范围以美股为主。如果策略同时跑港股和 A 股：

• 港股标的在 yfinance 里格式是 0700.HK，可以拉到数据，但时段标记逻辑要重写一套（港股有午休 12:00–13:00）
• A 股目前 yfinance 支持较差，通常用 akshare 或 tushare 替代，接口风格完全不同

这意味着同时监控多个市场时，你需要维护多套数据拉取逻辑。每个市场的时段规则不同：美股 4 个时段、港股含午休、A 股含集合竞价——这层差异如果放在业务逻辑里处理，代码会越来越难维护。

生产环境的 3 个优化方向

1. 时段表缓存

时段定义不会分钟级变化，不要每次判断都重新计算。把时段表缓存在内存里，只在日期切换或交易日历更新时刷新。

2. 按时段切换订阅列表

盘前流动性不足，没必要订所有标的：

def get_symbols_by_session(session: str) -> list:
    if session == "盘前":
        return CORE_SYMBOLS[:50]   # 核心 50 只
    elif session == "盘中":
        return FULL_SYMBOLS        # 全量
    else:
        return CORE_SYMBOLS[:20]   # 盘后/夜盘精简

3. 注意 yfinance 的限频

yfinance 是基于 Yahoo Finance 的非官方接口，频繁调用会触发限频（HTTP 429）。生产环境建议加重试逻辑和请求间隔控制。

有了美股 API ≠ 有了盘前数据。时段部分往往是文档里被跳过的章节——不是因为不重要，是因为正盘能跑通的代码已经够让人忙的了。等真的踩过漏数据的坑再回来补，通常要多花 2-3 天。

你的策略跑在哪个时段上？有没有因为没接盘前数据错过信号？评论区聊聊。