这场 Two Sigma OA 整体体验和之前做过的 BCG X OA 很像，题目不算刁钻，但对思路完整性和实现细节要求比较高。时间给得相对充裕，正常情况下 30 分钟左右把三题全部跑通是完全可行的，只要一开始别被题面绕进去。
Two Sigma OA 时间线参考
投递后一般 3–7 天 会收到 OA 邀请，快的话两三天就能到。OA 通常给 5–7 天完成窗口，但题量不大，思路清楚的话 30 分钟左右即可完成。提交 OA 后，反馈时间多在 1–2 周内，快则几天，慢也很少超过两周。
通过 OA 后，流程会直接推进到 HR 或技术面试，整体节奏干脆，不拖泥带水。
Q1：Linear Interpolator
给定二维节点，按规则处理相同x节点，通过插值/外推算目标x对应的y值
思路：先将x、y节点配对排序，针对相同x节点按规则筛选对应y值生成去重列表，再用二分查找快速定位相邻节点，代入线性插值公式算出结果，全程手动实现不依赖现成库。
Q2：Daily Temperature By Town
基于多城镇与NYC温度数据，解答5个统计/预测题+选5个联合预测优的城镇
思路：Part1靠标准差、条件筛选求中位数、单/双城镇线性回归找最小误差jie5题，Part2用贪心算法迭代选误差最小城镇，最终确定5个联合预测性优的城镇。
Q3：No-intercept OLS regression coefficient calculation
第三题相对来说是最纯公式的一题。题目给了两组资产收益数据，要求计算无截距的 OLS 回归系数。
核心就是无截距 OLS 的标准公式，只要理解分子和分母分别对应什么，代码实现其实非常直接。单组数据时，我直接用 numpy 的向量化操作计算点积和平方和；如果是多组数据，就先把需要的累积项算好，再统一代入公式，既保证了效率，也避免重复计算。
相比前两题，这一题更像是在确认你对基础统计建模是否真的理解，而不是只会“调库”。
关于 OA 准备的一点补充
如果你正在准备 Two Sigma 或其他量化 / 数据类公司的 OA，我们这边也提供 OA 辅助服务 ，同时长期整理并更新大量真实 OA 真题和解题思路，覆盖常见高频考点，帮助你在有限时间内把复杂题目稳稳落地。对于规则多、细节重、容错率低的 OA，有人陪跑，整体通过率通常会高很多。
