Two Sigma OA 3 题拿下：二维数据点 + Pandas 过滤 + 线性回归算资产收益

OA 概况

• 题量 / 时长：3 题，100 分钟
• 结果：OA 拿下 ✅

题目	考点
第 1 题	二维数据点处理
第 2 题	Pandas 数据过滤
第 3 题	线性回归系数，计算资产收益率

目前题库不多，bar 相对较低。欢迎交流！

第 2 题：Pandas 数据过滤 —— 常用写法

Two Sigma 的数据题很看重 Pandas 熟练度，下面几种写法建议练到不用查文档：

import pandas as pd

def filter_trades(df: pd.DataFrame, min_price: float, start: str) -> pd.DataFrame:
    """保留价格 >= min_price、日期 >= start 的有效交易，并按日期排序"""
    df = df.dropna(subset=["price", "volume"])
    mask = (df["price"] >= min_price) & (pd.to_datetime(df["date"]) >= pd.Timestamp(start))
    return df.loc[mask].sort_values("date").reset_index(drop=True)

def daily_volume_by_symbol(df: pd.DataFrame) -> pd.DataFrame:
    """按股票汇总每日成交量"""
    return df.groupby(["symbol", "date"], as_index=False)["volume"].sum()

注意：多个条件要用 & / | 并且每个条件加括号，不能用 and / or。

第 3 题：线性回归系数 → 资产收益率

常见题型是用资产收益率 y 对市场收益率 x 做一元线性回归 y = α + βx：

• β（Beta） = Cov(x, y) / Var(x)，表示资产对市场波动的敏感度
• α（Alpha） = mean(y) − β · mean(x)
• 收益率一般用 r_t = P_t / P_{t-1} − 1 从价格序列算出

def returns(prices):
    return [prices[i] / prices[i - 1] - 1 for i in range(1, len(prices))]

def regression(x, y):
    """一元最小二乘，返回 (alpha, beta)"""
    n = len(x)
    mx, my = sum(x) / n, sum(y) / n
    cov = sum((a - mx) * (b - my) for a, b in zip(x, y))
    var = sum((a - mx) ** 2 for a in x)
    beta = cov / var
    return my - beta * mx, beta

边界：价格序列长度小于 2、市场收益率方差为 0 时要单独处理。