這場 Two Sigma OA 整體體驗和之前做過的 BCG X OA 很像，題目不算刁鑽，但對思路完整性和實現細節要求比較高。時間給得相對充裕，正常情況下 30 分鐘左右把三題全部跑通是完全可行的，只要一開始別被題面繞進去。
Two Sigma OA 時間線參考
投遞後一般 3–7 天 會收到 OA 邀請，快的話兩三天就能到。OA 通常給 5–7 天完成視窗，但題量不大，思路清楚的話 30 分鐘左右即可完成。提交 OA 後，反饋時間多在 1–2 周內，快則幾天，慢也很少超過兩週。
透過 OA 後，流程會直接推進到 HR 或技術面試，整體節奏乾脆，不拖泥帶水。
Q1：Linear Interpolator
給定二維節點，按規則處理相同x節點，透過插值/外推算目標x對應的y值
思路：先將x、y節點配對排序，針對相同x節點按規則篩選對應y值生成去重列表，再用二分查詢快速定位相鄰節點，代入線性插值公式算出結果，全程手動實現不依賴現成庫。
Q2：Daily Temperature By Town
基於多城鎮與NYC溫度資料，解答5個統計/預測題+選5個聯合預測優的城鎮
思路：Part1靠標準差、條件篩選求中位數、單/雙城鎮線性迴歸找最小誤差jie5題，Part2用貪心演算法迭代選誤差最小城鎮，最終確定5個聯合預測性優的城鎮。
Q3：No-intercept OLS regression coefficient calculation
第三題相對來說是最純公式的一題。題目給了兩組資產收益資料，要求計算無截距的 OLS 迴歸係數。
核心就是無截距 OLS 的標準公式，只要理解分子和分母分別對應什麼，程式碼實現其實非常直接。單組資料時，我直接用 numpy 的向量化操作計算點積和平方和；如果是多組資料，就先把需要的累積項算好，再統一代入公式，既保證了效率，也避免重複計算。
相比前兩題，這一題更像是在確認你對基礎統計建模是否真的理解，而不是隻會“調庫”。
關於 OA 準備的一點補充
如果你正在準備 Two Sigma 或其他量化 / 資料類公司的 OA，我們這邊也提供 OA 輔助服務 ，同時長期整理並更新大量真實 OA 真題和解題思路，覆蓋常見高頻考點，幫助你在有限時間內把複雜題目穩穩落地。對於規則多、細節重、容錯率低的 OA，有人陪跑，整體透過率通常會高很多。
