Two Sigma Quantitative Software Engineer 面经

💡 核心要点 (Key Takeaways)

• Two Sigma OA 题集重复率很高：75 分钟 2-3 道题，多位候选人独立反馈出现同一批经典题（prefix / trie、server 容量扩容、linear interpolation、下水道），先把公开真题刷一遍再作答是最高杠杆的准备动作。
• QSE 独有的 quant systems 深挖轮是隐藏分水岭：resume walkthrough + 优化 / backtest 项目逐层追问（MIQP、Big-M、branch-and-bound、Monte Carlo、并行化、profiling），最后落到「你更偏 pure SWE 还是 pure quant research」的 role fit 问题。
• 题干长是常态：公开反馈直言 coding 轮「理解题意占了难度的 30%」，clarify 和确认建模意图比手速重要，只写完 encode 函数就停的候选人即使面试官耐心引导也会被挂。
• Data / Stats 线风格偏传统：linear model、correlation 范围、omitted variable bias 的矩阵证明这类推导真实出现，机器学习花哨组件权重低于统计基本功，只准备 ML 话术会明显吃亏。
• 时间线参考：投递后约 3 天收到 OA，投递到第一轮结果约 3 周，面试完 1 小时内出结果也有先例，onsite 轮次之间可能间隔一周。

这篇适合谁

这篇写给准备 Two Sigma Quantitative Software Engineer（QSE）2026 面试的候选人。一句话定位：Two Sigma Quantitative SWE 面经和一般大厂 SWE 面经最大的不同，是 quant systems 深挖轮（优化、backtest、profiling 的逐层追问）和偏传统的统计推导风格会渗透进电面与 VO，coding 难度本身反而不是唯一决定因素。级别上，公开信号集中在 2026 New Grad / Intern，社招候选人可重点参考 VO 结构与项目深挖的追问链条。文章基于 2025 年 9 月至 2026 年 8 月公开候选人面经信号整理（一亩三分地等渠道），各团队、地区、级别的轮次结构会有出入，以实际收到的邀请为准。

本篇是 Two Sigma 全流程面经（流程 + 题型雷达 + 高频方向 + 挂点 + 路线 + FAQ）；跨公司的 SWE OA / 电面题型对照看 SWE OA 与电面题型地图，公司 × 岗位总览看 公司 × 岗位题型地图。

面试流程：OA / Tech Screen / VO / HM 各考什么

Two Sigma QSE 的主线流程是：投递 → OA（HackerRank）→ 技术电面（Tech Screen）→ VO（2-3 轮）→ Hiring Manager + HR 轮 → 结果。公开信号里电面存在两条明显不同的线，投递的团队不同会走不同分支：

OA（75 分钟，2-3 道题）：难度 medium 为主，题集重复率很高——多位候选人独立反馈出现同一批经典题（prefix / trie 查找、server throughput 超限扩容、linear interpolation 排序 + 二分、社区里流传多年的「下水道」题），还混有少量统计 / 机器学习题（如城市温度回归 + Lasso 的特征选择）。2026 New Grad 候选人反馈 75 分钟两道题，第一题用 prefix sum 才能避免超时，说明时间预算是硬约束。

Tech Screen（约 60 分钟/轮）：SWE 线是纯 coding，公开真题方向是从零实现 hashmap（bucket array + linked list，get / put，考 collision 处理和 bucket resizing，对标 LC 706 的升级版，要和面试官讨论 hash function trade-off）或字符串加法类实现题（给定 single digit 加法函数，实现字符串加法并解释时间 / 空间复杂度）。偏数据 / QR 的线则是「Data Analysis + Coding + Core Stats」三段式，三段各安排一场一小时面试：DA 段做预测题（Citi Bike 站点 / 纽约房价方向），考 feature 选择、缺失值与 outlier、特殊 case（如疫情期）、模型假设对比（linear regression vs random forest）、train / valid / test 切分与评估指标；Stats 段考 correlation 取值范围、矩阵行列式 / 特征值 / 余弦、n 个 i.i.d. uniform(0,1) 变量 max-min 的 covariance（要 joint distribution 二重积分推导）、omitted variable bias 对 beta 的影响（要求矩阵形式证明）；Coding 段难度中等。

VO（2-3 轮，每轮约 60 分钟）：一轮算法 / coding（要求自己写代码 + 自己写 test case，面试官也会提供 test case，follow-up 会升级题目，比如「如果不保证是树怎么办」）、一轮 system design（公开细节稀缺，多为截图形式，按数据 / quant 系统 + 通用 SWE 设计题准备）、一轮 domain knowledge（根据你的专业而定，公开反馈原话是「考得很怪」——准备 bike / 房价方向的人被考 how to test alpha (momentum) in stock，领域宽度比深度更容易踩空）。QSE 条线还有一轮 experience / quant systems 深挖：先完整 walk through resume，再挑一个真正复杂的问题往下挖（tax-loss harvesting 优化器的 MIQP 建模、multi-period backtest 的 Monte Carlo 路径与并行化），最后落到 role fit 直球问题。

HM + HR 轮：公开信号显示后期包含 hiring manager 轮和 HR 轮。HM 轮覆盖项目深挖、role fit（你更偏 pure software engineering 还是 pure quant research、你在哪一端最有能力和最感兴趣）和动机；有候选人的 behavioral 问题是在 HR 告知通过后才开始问，说明 behavioral 内容可能穿插在任何一轮，不要单独留一轮再准备。

时间线信号：一个完整案例是 11/9 投递 → 11/12 收到 OA → 11/24 收到下一轮邀请 → 12/1 面试 → 12/3 拒信，投递到结果约 3 周，OA 在投递后 3 天左右发出；有候选人 core stats 面完一小时就收到结果，速度可以非常快；onsite 轮次之间也可能隔一周（有候选人第三面隔了一周才面）。

题型雷达：Coding、Quant Systems、Stats、DA、SD、BQ 各占多少

按 QSE 条线把题型按出现频率排个雷达：

• Coding（最高频，OA / 电面 / VO 全覆盖）：数据结构实现（heap、trie、hashmap、tree）、模拟类实现（订单撮合、malloc、merge k sorted stream）、字符串处理、prefix sum。难度 medium 到 hard，题干普遍偏长；真正的区分在 follow-up 链——为什么选这个数据结构、替代方案对比、怎么用更多 test 增强信心。
• Quant Systems 与优化（QSE 特色轮）：MIQP / Big-M / branch-and-bound、continuous relaxation、backtest 与 Monte Carlo、30,000 次 optimizer run 的单机 vs 多机、serialization 与 scheduling overhead、profiling bottleneck。以项目深挖形式出现而不是独立 coding 题，考的是「建模 + 工程实现 + trade-off」三层的完整度。
• Core Stats（偏数据 / QR 线必考）：correlation 取值范围、矩阵行列式 / 特征值 / 余弦、i.i.d. 样本 max-min 的 covariance 推导、omitted variable bias 的矩阵形式证明。考点是手写推导的完整性和速度，不是概念背诵。
• Data Analysis（偏数据 / QR 线必考）：预测题（bike 站点、纽约房价、股票 alpha 测试），feature 选择、缺失值 / outlier / 特殊 case 处理、模型假设与 pros/cons、切分策略、评估指标（MSE / MAE / ROC-AUC）。公开反馈的风格判断很一致：偏传统 stats + linear model，机器学习组件不占主导。
• System Design（VO 一轮，公开细节稀缺）：出现率明确但公开面经多为截图，文本信号少。按「数据 / quant 系统 + 通用 SWE SD」双线准备，方法可参考 SWE Onsite 与 System Design 准备。
• BQ / Behavioral（穿插 + HM 轮主场）：role fit（SWE vs quant research 的取向）、项目里你的具体角色、为什么 Two Sigma、为什么这条线。QSE 的 BQ 权重低于纯交易公司，但 role fit 问题是硬门槛。
• SQL：在 Two Sigma QSE 的公开信号里出现率低，不是这条线的主战场；如果同时投递数据条线岗位，按通用标准准备即可。

高频题目方向：只讲题型和考点，不复刻私密原帖

以下是公开面经信号里出现过的题「类型」，只归纳题型和考点，不复刻任何候选人的具体原题：

• 订单簿 / order matching 模拟（QSE 技术电面真实反馈）：实现 buy / sell 订单撮合，buy 侧与 sell 侧分别维护优先级，价格可成交时撮合，处理 partial fill，输出 trade records 和剩余 resting orders。考点：数据结构选型（heap 是否最优、能否用 linked list / tree 替代）的论证能力、同一价格下多订单的确定性排序（order ID / quantity / arrival time 怎么选）、以及主动补 test case 的纪律性——happy path 跑通只是及格线。
• 从零实现 hashmap（SWE 电面真实反馈）：bucket array + linked list 实现 get / put，围绕 hash function trade-off、conflict resolution、rehashing 与面试官讨论。考点：基础数据结构的机制级理解，讨论过程的分量大于代码本身。
• 频率编码 / 解码（Huffman 思路）（电面真实反馈）：按字符频率构建二叉树（最频 char 获得更短 binary 表示），实现 encode 与 decode。考点：贪心 / Huffman 建模、树遍历；公开反馈直言题干很长、clarify 十分钟还没看懂就开始写，「理解题意已经占难度的 30%」，最终只写完 encode 函数被挂。
• 树上最大独立集（VO 算法轮真实反馈）：关系网保证是树，求最多选多少人使两两不认识；要求自己写代码 + 自己写 test case，follow-up 是「不保证是树怎么办」。考点：tree DP、状态定义与扩展性讨论。
• merge k sorted stream（VO 真实反馈）：除第一个 stream 外其余都是 delta 编码。考点：heap / priority queue、delta 解码、边界条件；这类题在 HackerRank 上要求真实跑过 test case，不是讲思路就行。
• 预测类 Data Analysis（DA 轮真实反馈）：Citi Bike 站点数量 / 租金、纽约房价预测方向。考点：端到端叙事——x 变量怎么想、feature engineering、缺失值 / outlier / 特殊 case（疫情期）、模型假设对比、切分与指标，且 follow-up 密度很高，对理解要求不低。
• Core Stats 推导（Stats 轮真实反馈）：pairwise correlation 的取值范围及构造、n 个 i.i.d. uniform(0,1) 变量 max-min 的 covariance（E[XY]-E[X]E[Y]，E[XY] 要 joint distribution 二重积分）、omitted variable bias 对 beta 的影响（矩阵形式证明）。考点：概率 + 线代 + 矩阵推导的手写完整度。
• 优化 / backtest 项目深挖（QSE experience 轮真实反馈）：tax-loss harvesting 优化器（tax region 与 binary variables、Big-M、MIQP、是否本质 branch-and-bound、先做 continuous relaxation 再缩减 binary 搜索空间、wash-sale 约束、single vs multi-period）与 multi-period asset-location backtest（Monte Carlo 路径、rebalancing cadence、优化什么 metric、30,000 次 optimizer run 的单机 vs 多机、每个 path 单独一台机器是否更快、shared inputs / serialization / scheduling overhead、如何 profile bottleneck）。考点：每一层追问都要有准备，讲不出「哪些 enhancement 没来得及做」反而是减分项。

公开面经信号怎么读

一亩三分地、Blind 等公开面经信号是 Two Sigma 面试信息最集中的来源，读法决定它对你的价值。几个原则：

按「年份 + 岗位 + 轮次」筛选。Two Sigma 内部条线差异极大：QSE 的 quant systems 深挖信号对纯 QR 的 stats 推导准备帮助有限，反过来亦然。先看岗位标签（QSE / QR / SWE），再看年份，只看最近 2-3 篇同条线帖子。

找共识，不信个例。单篇面经说「第二轮考 system design」不能直接当结论（可能是特定团队安排）；多篇独立帖子都提到 OA 题集重复（prefix / trie、server 扩容、下水道）、电面分 coding 线与 DA + coding + stats 三段线、VO 算法轮要求自己写 test case，这些才值得写进准备计划。面经作者有幸存者偏差，整体难度感知会偏乐观。

提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息就这三样：每轮考什么类型、追问到什么深度、作者自评挂 / 过在哪。情绪、对面试官的评价（公开帖子里确实有面试官迟到、无互动的负面体验反馈，属个例）、求米段落都不需要带进准备里。

不搬运、不暗示合作。本站所有 Two Sigma 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与一亩三分地等面经社区有合作或转载关系，你读到的公开帖子请以原作者发布的内容为准。

用同业交叉验证。量化公司的公开信号量单看都不算大，同批专题的 Citadel SWE / Quant Intern 面经、Optiver OA / Quant Researcher Intern 面经、IMC Grad / Intern Quant Performance 面经、Jane Street Trading / QT / SWE 面经 可以和本篇互相对照——量化公司「coding + 讨论 + 统计基础」的风格是共性，但各家的轮次骨架、题型侧重和挂点不一样：Two Sigma 的 quant systems 深挖和偏传统的 stats 推导是区别于四家对照篇的最明显特征，准备计划要按自己投递的条线取交集，不要把一家公司的打法直接搬给另一家。

常见挂点：Two Sigma QSE 特有的失分方式

把公开面经里的挂因对照 QSE 条线，失分点集中在这几个：

• 题干没读懂就动笔：「理解题意已经做出来 30%」是公开反馈的原话。频率编码题 clarify 十分钟还没看懂就开始写，最后只完成 encode 函数。正确姿势是 clarify 阶段把建模意图问死（输入输出边界、特殊 case、性能要求），确认再写。
• Follow-up 链接不住：order matching 题的核心不是把 happy path 跑通，而是「为什么选 heap、能不能用 linked list / tree、如何用更多 test 增强信心、同一价格多个订单怎么排序」。只交代码不交论证的候选人在这轮没有区分度。
• Data Analysis 领域宽度踩空：准备的都是 bike / 房价类预测，被考 how to test alpha (momentum) in stock 答不好；另一类是面试官只熟 linear regression 时你没接住话头——公开复盘建议「多讲数据清洗之类」，即按面试官能接住的深度对齐表达，别炫技。
• 项目深挖细节撑不住：30,000 次 optimizer run 怎么完成的、单机还是多机、每个 path 单独一台是否更快、serialization 和 scheduling overhead 各占多少、哪些 enhancement 没来得及做——每一层都要有数字和判断，只讲结论会被逐层拆穿。
• Role fit 回答不聚焦：「你更偏 pure SWE 还是 pure quant research、你在哪一端最有能力和最感兴趣」是直球问题。两边都想沾的答案会被判定为匹配度不足，QSE 要的是「工程与优化研究交界处」的定位，提前想清楚你的答案。
• Stats 推导手速不够：correlation 范围、i.i.d. uniform max-min 的 covariance（joint distribution 二重积分）、OVB 矩阵证明这类题，概念会但写不完整等于不会。Stats 基础不是一晚能补的，要提前系统刷。
• OA 时间预算失控：75 分钟 2-3 题，有候选人第一题不用 prefix sum 直接 timeout。题集重复率高是杠杆：先把公开真题限时做一遍，考场上才有时间余量做 follow-up。

准备路线：7 天 / 14 天 / 30 天

按你距面试的天数选路线，先确认自己走哪条电面线（SWE coding 线还是 DA + coding + stats 三段线），三个版本的主线都是「coding + 条线辅线 + 表达习惯」，最后一天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1-D2 公开 Two Sigma OA 真题限时重做（prefix / trie、server 扩容、interpolation、下水道题，75 分钟 2-3 题节奏），标记超时点；D3 coding 专项 2 道——1 道 order matching / 订单簿模拟（强制写出 test case 清单 + 数据结构 trade-off 论证）、1 道 hashmap 或 trie 实现（限时 45 分钟，边写边讲录音回听）；D4 条线辅线——SWE 线做 1 道字符串 / 模拟实现 + 复杂度解释，三段线补 stats 推导 2 题（correlation 范围 + 一个 E[XY] 二重积分推导）；D5 项目深挖准备：挑一个优化 / backtest / 大规模计算项目，按「建模 → 实现 → 并行化 → profiling → 没做完的部分」五层写一页讲稿并口头复述；D6 role fit + 动机各写一版（为什么 Two Sigma、为什么 QSE 而不是纯 SWE 或纯 QR），口语化重写；D7 完整 mock 1 场（coding 1 + 项目深挖 1），录音复盘断片点。
• 14 天（标准版）：在 7 天基础上——D8-D9 stats 系统补强：矩阵行列式 / 特征值 / 余弦、i.i.d. 样本极值统计、omitted variable bias 矩阵证明，每道题手写完整推导并计时；D10 Data Analysis 端到端 2 道（bike / 房价方向 1 道 + 股票 alpha 测试方向 1 道），强制覆盖 feature 选择、缺失值 / outlier / 特殊 case、模型假设对比、切分与指标全链路；D11-D12 coding 限时 3 道（tree DP 1 道、merge k stream / delta 编码 1 道、频率编码类 1 道），专练长题干 clarify 话术——把「我要确认一个点：……」练成条件反射；D13 quant systems 专项：MIQP / Big-M / branch-and-bound 与 Monte Carlo backtest 并行化各写一页笔记，重点准备 30,000 次 optimizer run 这类量级问题的单机 vs 多机论证；D14 完整 mock + 复盘缓冲日。
• 30 天（系统版）：在 14 天基础上——D15-D20 stats / 概率系统训练：线性回归假设与诊断（heteroskedasticity、multicollinearity）、seasonality 处理、评估指标体系，每天 2-3 题保持手写推导手感；D21-D24 条线深挖：三段线把 DA 叙事练成可讲的 3 页讲稿并口头复述，SWE 线做 2 道带 quant 味的综合 coding（订单簿、编码类）+ 1 道 malloc / 内存管理类系统实现；D25-D27 连续 3 场完整 mock（找真人或录音），重点看项目深挖的节奏和 coding 的表达习惯；D28 复盘 3 场 mock，把断片点各补一段标准答案；D29 role fit 库定稿 + 对 Two Sigma 量化系统工作方式的理解写一页（数据驱动 + 工程 + 研究交界处的定位）；D30 缓冲日，检查设备与日程，早睡。

FAQ：Two Sigma Quantitative SWE 面试几轮？

公开信号下常见结构是：OA（75 分钟 2-3 题）→ 技术电面（SWE 线纯 coding，或偏数据 / QR 线的 Data Analysis + Coding + Core Stats 三段各一小时）→ VO 2-3 轮（算法 + system design + domain knowledge，QSE 条线加 experience / quant systems 深挖）→ Hiring Manager + HR 轮。不同团队、级别、地区的轮次构成会有出入，以实际收到的邀请为准。

FAQ：Two Sigma OA 考什么题？

75 分钟 2-3 道题，难度 medium 为主，题集重复率很高：多位候选人独立反馈出现 prefix / trie 查找、server throughput 超限开新 server、linear interpolation（打包 tuple 排序 + 二分）以及社区流传多年的「下水道」经典题；也有混入统计 / 机器学习题的案例（城市温度回归 + Lasso 的特征选择）。2026 New Grad 候选人反馈 75 分钟两道题、第一题需要 prefix sum 优化才能不超时。最高杠杆的准备动作：先把公开真题限时做一遍，考场上才有余量处理边界 case。

FAQ：QSE 面试和纯 SWE 差别大吗？

coding 难度本身相近（medium 到 hard，数据结构 + 模拟实现为主），差别在三处：一是 quant systems 深挖轮，优化 / backtest 项目会被逐层追问到 MIQP、branch-and-bound、并行化、profiling 这个深度；二是统计推导的权重，偏数据 / QR 线有独立的 Core Stats 段（correlation 范围、二重积分、矩阵证明）；三是 role fit 直球问题——「你更偏 pure SWE 还是 pure quant research」，QSE 要的是工程与优化研究交界处的人选。纯 SWE 背景可以投，但要把「为什么交界处」的答案和项目细节提前备到能扛五层追问。

FAQ：Two Sigma 面试流程要多久？

公开时间线信号：投递后约 3 天收到 OA；一个完整案例是 11/9 投递 → 11/12 OA → 11/24 下一轮邀请 → 12/1 面试 → 12/3 拒信，投递到结果约 3 周；onsite 轮次之间可能间隔一周（有候选人第三面隔了一周）；出结果速度可以非常快，有候选人 core stats 面完一小时就收到通知。等待期建议主动做两件事：按本篇挂点清单自查短板，以及给 recruiter 发简短 follow-up 确认时间线。