Two Sigma OA 2026 真题复盘｜105分钟3题完整记录（已通过）
刚做完 Two Sigma 的 OA，顺利通过。整个流程下来最大的感受是：Two Sigma 的题风跟普通大厂 OA 差别挺明显，不是单纯靠刷 LeetCode 就能解决的类型。
这次 OA 总共 105 分钟 3 道题，前两题显示为 approximation solutions，第三题虽然是 coding，但实际更偏统计建模和数据计算。三道题整体难度不算特别高，但是对数学公式熟悉度和边界情况处理要求比较高。
前两题都是之前面经里出现过的类型，提前了解题型会节省很多时间。如果完全第一次遇到，可能会花不少时间理解题目背后的统计逻辑。
第一题：Linear Interpolator，重点是插值逻辑和边界处理
第一题是 Linear Interpolator。题目给了一组数据点 (x, y)，要求实现一个线性插值器，对于任意输入的 x 返回对应的预测 y 值。
这题表面上比较简单，就是根据两个点计算中间值，但实际有几个坑需要注意。需要分别处理三种情况：x 在已有数据范围内的内插、小于最小值或者大于最大值时的外插，以及多个数据点拥有相同 x 坐标的情况。
我的实现思路是先把所有数据点按照 x 排序，然后查询的时候使用二分查找找到对应位置。如果查询点落在两个已知点之间，就按照线性插值公式计算：
y = y₁ + (x – x₁) / (x₂ – x₁) × (y₂ – y₁)
如果查询点超出范围，则使用最边缘两个点计算斜率继续向外延伸。
这里最容易忽略的是 duplicate x 的情况。如果多个点的 x 相同，需要按照题目要求处理，否则很容易在隐藏 case 里出问题。这类边界条件其实就是 Two Sigma OA 比较喜欢考的地方。
第二题：Linear Regression，主要考统计公式熟练度
第二题是 Linear Regression，这题更像统计计算题，而不是传统算法题。
题目给了一组数据，然后拆成多个小问，包括 standard deviation、median、线性回归斜率、最佳单变量预测特征、最佳双变量组合，以及最佳多变量特征选择。
整体思路比较直接，核心就是把统计公式记熟。
standard deviation 按公式计算，median 需要排序后取中间值。线性回归部分需要用到：
β = Cov(X,Y) / Var(X)
后面的 feature selection 本质上是在比较不同特征组合的预测效果，一般根据 correlation 或 R² 选择最优方案。
这题没有特别复杂的数据结构或者算法，真正容易丢分的是公式写错、数据处理遗漏，以及浮点数精度问题。所以做之前最好把常见统计公式过一遍，不要在考试现场重新推导。
第三题：Univariate OLS Regression，核心是 OLS 和增量更新
第三题是 Univariate OLS Regression，也是三题里面最偏 coding 的一道。
第一部分给两个 dataframe，需要把不同列的数据两两组合，然后计算每组数据对应的线性回归系数。
这里直接使用普通最小二乘法（OLS）即可：
β = Σ(xᵢ – x̄)(yᵢ – ȳ) / Σ(xᵢ – x̄)²
α = ȳ – β × x̄
真正有区别的是第二部分。题目变成 streaming data 的形式，每次会输入一批新的数据，需要实时更新当前的 regression 参数。
很多人的第一反应可能是每次把所有数据重新跑一遍，但这样效率比较低。更好的方法是维护几个累计变量：
n（样本数量）、ΣX、ΣY、ΣX²、ΣXY。
每次新数据进来，只需要更新这些统计量，然后根据公式重新计算：
β = (n·ΣXY – ΣX·ΣY) / (n·ΣX² – (ΣX)²)
α = (ΣY – β·ΣX) / n
这样每批数据只需要线性处理，不需要重新计算全部历史数据。
总结：Two Sigma OA 更看重数学理解，不只是 coding
整体来说，这次 Two Sigma OA 难点不在算法复杂度，而是在于能不能快速把数学模型转成代码。
前两题如果提前熟悉统计公式，会比较容易拿分；第三题重点是理解 OLS 和增量计算的思想。准备量化公司的 OA 时，除了刷算法题，统计学、概率、线性回归这些基础知识也非常重要。
很多题看起来像 coding，实际上考的是你能不能正确实现一个数学模型。
我这次准备过程中也用了 interviewshow 做模拟练习，主要是提前熟悉量化公司的题型和面试节奏。里面的 mock 会针对薄弱点给反馈，对于不确定自己准备方向的同学来说，能少走一些弯路。
后面如果还有 Two Sigma 后续面试或者其他量化公司 OA，会继续整理分享。
这次复盘希望能帮到正在准备 Two Sigma OA 的同学，祝大家都顺利通过，拿到满意的 offer。