AQR Capital Management — Managed Futures & Commodities Research

面试准备指南
Interview Prep Guide

明日面试：James Lofton, Managing Director — macro & multi-strategy funds research

期货定价 Contango/Backwardation Roll Yield 商品因子 Trend Following Carry AQR 文化系统化策略

01 — AQR 背景

AQR 公司概况

核心身份

AQR（Applied Quantitative Research）成立于 1998 年，由 Cliff Asness 等人从高盛 Asset Management 团队离开后创立。管理资产约 $100B+，是全球最大的系统化/量化对冲基金之一。

总部：Greenwich, Connecticut（以及伦敦、香港等）
策略：Equity Long/Short，Managed Futures，Multi-Strategy，Fixed Income，Risk Parity
方法论：Factor-based，系统化，学术驱动（大量发表 peer-reviewed 论文）
文化：极度重视研究严谨性，"Research first"——发现 alpha 后一定要能解释"为什么"

AQR 的核心哲学（必须掌握）

AQR 认为市场 alpha 来自于系统性风险溢价（risk premia）和行为偏差，而非单次押注。他们的策略：

因子化（Factor-Based）

将超额收益分解为可解释的因子：Value、Momentum、Carry、Defensive。

多资产（Multi-Asset）

跨股票、债券、商品、外汇同时运行相同因子，分散化提高 Sharpe ratio。

学术严谨

策略必须有学术论文支撑，防止 data mining。out-of-sample 检验极为重要。

重要 AQR 论文（可提及增分）

论文	核心结论	与 MF&C 关联
"Value and Momentum Everywhere" (2013)	动量与价值因子跨资产普遍存在	商品期货 momentum 策略
"Carry" (2018)	Carry 因子在所有资产类别中均产生超额收益	商品 carry = roll yield
"Time Series Momentum" (2012)	各资产品种的时间序列动量显著正 Sharpe	CTA/趋势跟踪基础
"Commodities for the Long Run" (2019)	商品期货长期收益主要来自 roll yield 而非现货涨跌	直接相关

02 — 团队背景

Managed Futures & Commodities 团队

James Lofton 是该团队的 Managing Director，负责 macro and multi-strategy funds 的研究。面试重点会涉及：

Managed Futures（管理期货）

通过系统化方法交易全球期货（商品、利率、外汇、股指）。AQR 的 managed futures 策略以 trend following 为核心，辅以 carry、value 等因子。

Multi-Strategy Funds

将 managed futures 与其他策略（股票、固收）结合，利用低相关性实现风险分散。商品在此扮演通胀对冲和分散化角色。

James 的工作重心在 macro 视角下的商品因子研究，以及跨资产策略的整合。面试时可以将自己在 Millennium 的波动率因子工程经验，与商品的 vol 因子（如 vol term structure）联系起来。

03 — 期货基础

期货合约基础

核心概念

期货合约是在未来特定日期以约定价格买卖标的资产的协议。对于商品期货，标的通常是实物商品（原油、黄金、大豆等）。

F_{0,T} = S_0 \cdot e^{(r + u - y)T}

其中 $S_0$ = 现货价格，$r$ = 无风险利率，$u$ = 储存成本（storage cost），$y$ = 便利收益（convenience yield），$T$ = 到期时间。

总收益分解（重要！）

持有商品期货的总收益可以分解为三部分：

R_{\text{total}} = \underbrace{R_{\text{spot}}}_{\text{现货涨跌}} + \underbrace{R_{\text{roll}}}_{\text{展期收益}} + \underbrace{R_{\text{collateral}}}_{\text{抵押品收益（T-bills）}}

AQR 的研究表明，长期来看商品期货的收益主要来自 roll yield 和 collateral，而非现货价格变动。这是其系统化策略的基础。

期货 vs 远期（Futures vs Forward）

	Futures	Forward
交易场所	交易所（CME、ICE 等）	OTC（场外）
标准化	是（合约大小、交割日固定）	否（灵活定制）
每日结算	是（mark-to-market，日盈亏）	否（到期结算）
对手方风险	低（清算所担保）	高（信用风险）
流动性	高	低

04 — 定价理论

期货定价与基差

持仓成本模型（Cost of Carry）

对于可储存商品（如黄金）：$F = S \cdot e^{(r+u)T}$；对于不可储存商品或有便利收益的情形（如原油），便利收益 $y$ 反映了持有现货的非货币价值（供应保证、生产灵活性）。

为什么原油期货有时 backwardation，有时 contango？

关键在于便利收益（convenience yield）$y$ 的大小。当市场预期近期供应紧张（低库存），$y$ 高，持有现货价值大，$F < S$（backwardation）。当库存充裕、储存压力大，$u$ 高而 $y$ 低，$F > S$（contango）。本质上，曲线形状是市场对供需预期的反映。

基差（Basis）

\text{Basis} = S_t - F_{t,T}

基差随时间收敛到 0（交割日 $S_T = F_{T,T}$）。基差风险（basis risk）是套保中无法消除的残余风险——现货与期货的价格差异变化。

Normal Backwardation Theory（Keynes）

Keynes 认为商品生产商（如农民）天然是空头（需要卖出对冲），因此他们愿意以低于预期现货价格的期货价格成交，给多头（投机者）提供风险溢价。即期货价格 $< $ 预期未来现货价格。这是商品期货长期正收益的传统解释之一。

05 — 市场结构

远期曲线结构 Forward Curve

Contango（正向市场）

远期价格 $>$ 近期价格，曲线向上倾斜。多头展期时卖出低价近月、买入高价远月，产生负 roll yield。常见于储存成本高、供应充裕时（如天然气淡季）。

Backwardation（反向市场）

远期价格 $<$ 近期价格，曲线向下倾斜。多头展期时卖出高价近月、买入低价远月，产生正 roll yield。常见于供应紧张、高便利收益时（如原油供应中断）。

\text{Roll Yield} \approx -\frac{\partial F}{\partial T} \cdot \Delta t = \frac{F_{\text{near}} - F_{\text{far}}}{F_{\text{near}}} \cdot \frac{1}{\Delta T}

面试 key point：Managed futures 策略在设计时必须考虑 roll yield 的影响，否则会出现"现货涨了但期货头寸亏损"的情况（强 contango 市场）。AQR 在选择哪个到期月份持仓时会优化 roll 成本。

各商品典型曲线特征

商品	典型状态	主要驱动
原油（WTI/Brent）	随库存周期切换	OPEC 政策、地缘政治、库存水平
天然气	季节性 contango（冬季 backwardation）	取暖需求、储气水平
黄金	通常 contango（储存成本 + 利率）	实际利率、美元、避险需求
农产品（大豆、玉米）	收割季 contango，歉收时 backwardation	供需季节性、天气
铜	随全球工业周期	中国需求、矿产供应

06 — 商品市场

大宗商品市场概览

主要商品板块

能源（Energy）

原油（WTI、Brent）：全球最大期货市场。OPEC+ 政策、美国页岩油产量、地缘政治主导价格。两者基差（Brent premium）反映运输成本差异。

天然气（Henry Hub）：极高季节性波动，储气水平是核心指标。LNG 出口使其与全球市场联动加强。

金属（Metals）

黄金：储备资产，与实际利率高度负相关（$\Delta \text{Gold} \approx -\Delta r_{\text{real}}$）。非美央行购金需求近年上升。

铜："Doctor Copper"——领先经济指标。中国工业化、电动车（电池用铜）是长期需求驱动。

农产品（Agri）

大豆、玉米、小麦。天气（厄尔尼诺）、种植面积、出口禁令是主要风险因素。中国是大豆最大进口国。

软商品 & 其他

咖啡、糖、棉花等。流动性较低，但在商品指数（BCOM、S&P GSCI）中有权重。

商品的宏观角色

在宏观组合中，商品的核心价值：

①

通胀对冲：商品价格是 CPI 的直接组成部分，与通胀高度相关（尤其能源）。股票债券在意外通胀下均承压，商品可提供保护。

②

低相关性：与股票、债券的相关性较低（尤其在非危机时期），提升组合 Sharpe ratio。

③

地缘政治风险暴露：原油、黄金在地缘冲突中表现突出，提供尾部风险对冲。

07 — Roll 机制

Roll Yield 与展期成本

持有期货仓位不能持有至交割（大多数系统化策略），必须定期"展期（roll）"——卖出即将到期合约，买入更远到期合约。

\text{Roll Return} = \ln\left(\frac{F_{\text{near},t}}{F_{\text{far},t}}\right)

若 $F_{\text{near}} > F_{\text{far}}$（backwardation），roll return $> 0$（做多有利）；若 $F_{\text{near}} < F_{\text{far}}$（contango），roll return $< 0$（做多不利）。

Roll Yield 作为 Carry 因子

AQR 的 Carry 因子在商品中的定义正是 roll yield：

\text{Commodity Carry} = \frac{F_{1M} - F_{12M}}{F_{1M}}

做多 high carry 商品（backwardation）、做空 low carry 商品（contango）——这是 AQR Carry 策略的商品分支。研究（"Carry" 2018）显示这个因子有显著的夏普比率。

如何区分 spot return 和 roll return 对商品期货收益的贡献？

总期货收益 = 现货收益 + roll 收益 + 抵押品收益。可以通过比较近月期货价格变化（包含 roll 成本）和现货指数价格变化来分离。实证上，AQR 的研究发现 1990-2019 年间商品期货的正超额收益几乎完全来自 roll yield，而非现货涨价。这意味着 backwardation 的商品系统性地提供风险溢价（与 Keynes 的 normal backwardation 理论一致）。

08 — 因子研究

商品因子 Commodity Factors

📈 Momentum（动量）

12-1 月动量：过去 12 个月（跳过最近 1 个月）表现好的商品继续表现好。在商品中同样显著。趋势跟踪策略本质上是动量的 time-series 版本。

💰 Carry（展期收益率）

roll yield 即商品 carry。做多 backwardation 商品，做空 contango 商品。与利率 carry（短长期利差）、外汇 carry（息差）同属一类因子。

📊 Value（价值）

商品 value = 当前价格相对于长期均值（5年移动均值）的偏离程度。价格显著低于历史均值时做多。与股票 P/B value 类比。

🛡 Defensive / Low Vol

低波动率商品的超额收益（与股票类似的 low-beta anomaly）。在商品中效果相对较弱，但仍作为多因子组合的组成部分。

AQR 面试核心：能否解释"为什么"这些因子存在？Momentum = 缓慢信息扩散 + 行为追涨；Carry = 对通胀/供给冲击的风险溢价；Value = 均值回归 + 过度悲观修正。每个因子都要有经济学解释。

与波动率因子的联系（关联你的 Millennium 经验）

商品波动率研究：

因子	含义	与股票 vol 类比
Vol term structure	近月 vol - 远月 vol，类比期权 vol 曲线斜率	VIX term structure
Vol carry	隐含 vol - 已实现 vol，做空波动率的收益	方差风险溢价（VRP）
Skew	商品 put/call 偏度，供给冲击的尾部保护溢价	股票 put skew
Vol-of-vol	二阶波动率，用于 regime 识别	VVIX

09 — 策略

Trend Following / CTA 策略

Managed Futures 最经典的策略。核心思想：资产价格存在时间序列动量，近期趋势倾向于延续。

基本信号

\text{Signal}_t = \text{sign}\left(\sum_{k} w_k \cdot r_{t-k}\right) \quad \text{或} \quad \text{Signal}_t = \frac{P_t - \text{MA}(P, L)}{|\sigma_t|}

常见实现：MACD（移动平均收敛散度）、Breakout 信号、Time-series momentum（TSMOM）。

为什么趋势跟踪有效？

①

央行政策惯性：利率政策调整有持续性（加息周期、降息周期），导致债券/外汇趋势。

②

商品供需调整滞后：新矿山建设、农作物种植等需要时间响应价格信号，导致价格趋势延续。

③

行为因素：锚定偏差（anchoring）、处置效应导致价格对基本面调整缓慢，形成趋势。

④

风险溢价：趋势策略在股市危机（左尾事件）中表现良好（convex payoff），投资者为此放弃部分正常期间收益。

Trend Following 的 Payoff 特征

趋势跟踪的一个关键特性是其 convex payoff（类期权性）：在大行情（无论方向）中盈利，在震荡市中亏损。这与股票的 concave 特性互补，使其在股市危机中成为良好的对冲工具。

\text{CTA payoff} \sim \text{long straddle} \approx \text{long volatility of trends}

2022 年 CTA 策略为什么表现特别好？

2022 年股债双杀，传统 60/40 组合大幅亏损。但 CTA 在多个资产类别中捕捉到了持续趋势：做空债券（加息周期）、做多能源（俄乌冲突后原油上涨）、做空股指。能源、利率、外汇同时出现强趋势，且趋势方向明确——是 CTA 的理想环境。Societe Generale CTA Index 2022 年约 +25%。

10 — 策略

Carry 策略

Carry = 在价格不变假设下持有资产的预期收益。各资产类别的 carry 定义：

资产类别	Carry 定义	来源
商品期货	Roll yield（backwardation 程度）	便利收益、季节性
固收（债券）	Yield - 融资成本（carry and roll-down）	期限溢价
外汇	高息货币 - 低息货币（利差）	UIP 失效
股票	股息率 - 融资成本	股权风险溢价

AQR Carry 论文（Koijen et al. 2018）的核心发现：跨所有资产类别的 carry 因子均有显著正收益，且相关性低，组合后 Sharpe ratio 大幅提升。这是 AQR 多资产策略的理论基础之一。

商品 Carry vs Trend 的结合

Carry 和 Trend 在商品中往往存在一定正相关（趋势向上 → 近月涨更多 → backwardation），但并非总是一致。Carry 是截面信号（哪个商品 carry 更高），Trend 是时间序列信号（价格趋势方向）。AQR 的多因子策略将两者结合以提高稳定性。

11 — 风险管理

风险管理 Risk Management

仓位规模（Position Sizing）

系统化策略中最常用的方法是波动率目标化（vol-targeting）：

w_i = \frac{\text{Signal}_i \cdot \sigma_{\text{target}}}{\hat{\sigma}_i}

每个资产的名义仓位与其波动率成反比，确保各资产对组合风险的贡献均等。$\hat{\sigma}_i$ 通常用 EWMA 估计。

商品特有风险

流动性风险

小品种（如 lumber、orange juice）流动性有限，大规模资金进出会产生显著市场冲击。AQR 会对流动性加权。

Delivery / Squeeze 风险

近月合约接近到期时，如果持有量大，可能面临 short squeeze（2021 年天然气事件）。需要在到期前足够早展期。

风险度量

\text{VaR}_{95\%} = -\mu_P - 1.645\sigma_P \quad \text{（正态假设下）}$$ $$\text{CVaR} = \mathbb{E}[\text{Loss} \mid \text{Loss} > \text{VaR}]

商品收益分布往往有厚尾和正偏态（大涨但很少大跌对于做多策略），正态假设低估尾部风险，需要历史模拟或 EVT（Extreme Value Theory）补充。

12 — 面试题

技术问题 Technical Questions

解释 contango 和 backwardation 的区别，并说明对持仓 P&L 的影响。

Contango：远月价格 > 近月，做多期货展期时卖低买高，产生负 roll yield，侵蚀多头收益。Backwardation：远月价格 < 近月，展期时卖高买低，产生正 roll yield，多头额外受益。实际例子：2020 年原油 super contango（WTI 五月合约变负），USO 等 ETF 因 roll 成本大幅跑输现货。

如何构建一个简单的商品 momentum 因子？

（1）收集 N 个商品期货的月度收益率序列；（2）计算每个商品过去 12 个月（跳过最近 1 个月）的累积收益；（3）按该信号排序，做多排名前 1/3，做空排名后 1/3；（4）用波动率归一化仓位确保风险均等；（5）每月再平衡。需要注意：使用近月合约的连续收益（考虑 roll），去除 roll 日期附近的噪音，以及交易成本调整。

商品期货的黄金定价：假设黄金现货 $2000，无风险利率 5%，储存成本 0.2%/年，无便利收益，1年期期货价格是多少？

$F = S \cdot e^{(r+u)T} = 2000 \cdot e^{(0.05 + 0.002) \times 1} = 2000 \cdot e^{0.052} \approx 2000 \times 1.0534 \approx \$2106.8$。若市场报价显著低于此，存在套利机会（借钱买现货，卖空期货，到期交割获利）。

如何分离商品期货收益中的 spot return 和 roll return？

方法一：直接计算。近月期货价格变化 = 现货变化 + roll 变化。可以用商品现货指数（S&P GSCI Spot Index）和全收益指数（Total Return Index）之差来度量 roll yield。
方法二：对同一商品的不同到期合约价格建模，用曲线斜率估计每日 roll 成本：daily roll ≈ $(F_{\text{near}} - F_{\text{next}}) / F_{\text{near}} \times$ (1/到期天数差)。

为什么在风险平价（Risk Parity）组合中加入商品？

（1）通胀对冲：股票债券在意外通胀下均亏损（实际利率上升压低 P/E 和债券价格），商品价格本身就是通胀的来源之一，正相关对冲；（2）低相关性：商品与股票/债券历史相关性接近 0，加入后降低整体波动而不降低预期收益，提升 Sharpe；（3）独立风险溢价来源：roll yield / carry 来自于供需市场的结构性特征，与股权风险溢价、期限溢价来源不同，提供真正的多元化。

如果你来设计一个原油期货的 alpha 信号，你会考虑哪些因子？

基本面类：EIA 库存周报数据（周度公布，包含 crude/gasoline/distillate），OPEC 产量数据，钻井平台数（Baker Hughes rig count），炼厂开工率（crack spread），全球船运数据（实时库存代理）。
技术/量化类：Time-series momentum（过去 3/6/12 月收益），曲线斜率（carry），vol term structure（隐含 vol 差），COT 持仓报告（商业对冲者 vs 投机者净仓位）。
宏观类：美元指数（原油以美元计价，负相关），中国 PMI（需求预期），全球风险情绪（VIX）。
事件类：OPEC 会议日期、EIA 报告日期前后的异常波动模式。

如何检验一个商品 alpha 信号是否有 data mining 问题？

（1）Out-of-sample 检验：在 in-sample 之外的时间段验证（AQR 极度重视此点）；（2）经济学直觉：信号必须有"为什么"的解释，而不只是 curve fitting；（3）跨资产泛化：同样的信号在其他商品、其他资产类别是否也有效（"Value and Momentum Everywhere"的精神）；（4）t统计量修正：考虑多重假设检验，Bonferroni 校正或 Harvey-Liu-Zhu (2016) 的 t-ratio 阈值（应 > 3.0 而非 2.0）；（5）交易成本现实性：扣除合理交易成本后仍有 alpha。

13 — 经历准备

经历 & Behavioral 问题

如何将你的经历与这个职位联系

Millennium 股票波动率研究 → 商品波动率因子

在 Millennium 的 equity volatility systematic team 中，你构建了 vol surface features 并设计了基于 Sharpe ratio 的动态组合模型。这与商品的 vol term structure、vol carry 因子在方法论上高度一致。可以说："我在股票波动率领域做的 feature engineering 和信号组合框架，直接可以迁移到商品波动率因子的研究中。"

HFT Execution（U Chicago）→ Market Microstructure

商品期货的 microstructure 研究同样重要：order imbalance、spread、price impact 在原油等流动性较强的商品中也有研究价值。Markov chain 状态转换模型可以用于商品 regime（contango/backwardation 转换）建模。

Zhixin 商品策略研究 → 直接相关

你在志信做过商品 timing 策略研究（volume and price based factors，TA-Lib，期货回测）。这是直接的商品研究经验，务必准备好具体案例：你找到了什么 pattern，IC 是多少，策略表现如何。

常见 Behavioral 问题

为什么对 managed futures / commodities 感兴趣？

真实答案方向：对系统化策略跨资产类别应用感兴趣；商品市场连接实体经济（物理供需）与金融市场，研究维度丰富；AQR 的学术驱动文化与你的研究风格契合；Millennium 的经验让你看到了 vol 因子跨资产迁移的机会，想在商品/宏观领域深化。

讲一个你发现 alpha 信号的经历。

准备：Millennium 的 vol surface features → 用两种 earnings date event vol 剥离方法构建清洁 vol surface → 预测 3M ATM 期权价格。重点讲：问题定义、数据处理的难点、信号逻辑（为什么 work）、evaluation 方法（Sharpe-based combining）、最终结果（net Sharpe > 2，deployed）。

你如何处理 data snooping 和 overfitting 风险？

（1）先有经济学假设，再验证；（2）严格 out-of-sample 测试；（3）信号要能解释"为什么"，不只是 curve fit；（4）在 Millennium 时会用 Sharpe-based dynamic combining 而非手工优化参数，减少过拟合；（5）关注参数稳定性（走一走 sensitivity table）。

14 — AQR 专项

AQR 专项问题 & 文化准备

AQR 文化关键词

学术严谨（Academic Rigor）：每个策略都要有学术论文支撑，能回答"为什么"
系统化（Systematic）：规则驱动，减少主观判断，依赖稳健的统计证据
跨资产（Multi-Asset）：相同因子在不同市场的泛化是核心竞争力
透明度：AQR 大量公开研究，对 factor investing 的普及贡献很大
长期主义：因子可能有多年 drawdown，但长期超额收益来自风险溢价

你了解 AQR 的哪些研究或策略？

可以提到：（1）"Value and Momentum Everywhere"——因子跨资产的普遍性；（2）"Carry"（2018）——商品 carry = roll yield；（3）"Time Series Momentum"——趋势跟踪的系统性证据；（4）AQR 的 Risk Parity 理念（Bridgewater All Weather 之外的另一领军）；（5）最近的研究：2022 年后 AQR 表现逆转，value factor rebound。

Value factor 在 2018-2020 年经历了巨大 drawdown，你如何看待这个现象？

这正是 AQR 经历的挑战（Cliff Asness 有多篇文章讨论）。解释：（1）低利率环境下，成长股估值扩张超出历史正常范围；（2）市场结构变化（科技公司无形资产不在 book value 中体现）；（3）但这不意味着 value factor 失效——它意味着 value spread（便宜与贵的估值差异）扩大到历史极值，长期反转概率更高（2022 年后 value 大幅反弹印证了这一点）。AQR 的立场：坚持因子，管理心理承受。

你最感兴趣的是什么研究方向？如果你来 AQR 的 MF&C 团队，你想做什么？

准备方向：（1）商品波动率因子——利用我在 Millennium 的经验，将 equity vol surface 的技术迁移到商品 vol 曲线（ATM vol、vol term structure、vol carry）的 alpha 研究；（2）商品信号与宏观状态的交互——在不同通胀/增长 regime 下，carry/momentum 信号的条件有效性；（3）高频微观结构数据在商品中的应用——结合我在 U Chicago 的 Markov chain 研究，探索商品 regime 的日内预测。

你需要准备的问题（问 James）

▸ The managed futures team's current research focus — are you exploring new commodity sub-asset classes or signals?

▸ How does the MF&C team interact with the multi-strategy fund? Is it standalone signals or integrated factor exposure?

▸ What's the balance between carry-based and momentum-based signals in current commodity allocations?

▸ How do you think about commodity vol factors — is there overlap with the equity vol work happening elsewhere in AQR?

最后提醒：面试是 30-45 分钟的 introductory call，James 会 assess fit，而不是纯技术深挖。重点是：展现对 systematic/factor research 的理解，将自己的 Millennium vol experience 清晰联系到商品，并表现出对 AQR 研究文化的真诚兴趣。准备 2-3 个你的项目的 "STAR" 故事，以及 2-3 个有见解的问题。

AQR Managed Futures & Commodities — Interview Prep · Princeton MFin

GOOD LUCK TOMORROW

Managed Futures &Commodities Research

面试准备指南Interview Prep Guide