了解基本面量化投资的人士都明白，行业内所采用的多因子选股模型事实上具有相当的相似性，但为何最终的投资业绩仍然显现出了高下之别？

　“赢在细节。的确，大家所拥有的工具箱有很多相似性，但是具体使用方法还是有差别。什么时候用锤子，什么时候用起子，使多大的力气，都可能导致最终结果的差异。”田汉卿表示，多因子量化选股模型以基本面为基础，通过价值、成长、质量、动量等六大类因子来建立动态选股模型。虽然业内所依循的原理和采用的因子类型是相似的，但是每位基金经理对于因子的观察和理解还是会有细微的差别，把这些细节落实到模型之中，就会表现出差异。

　具体而言，华泰柏瑞量化团队共采用了80多个因子来建立阿尔法选股模型，“简单地说，我们是在寻找A股五好学生。每个学生都各有特长，我们希望找出德智体美劳全面发展、综合得分最高的那一批。”田汉卿通俗地解释说。

　除了最核心的阿尔法模型，华泰柏瑞量化模型体系中还包括风控模型，用于控制风险、降低组合的波动率，以及交易成本模型，避免超额收益被交易成本吞噬。然后，将这三类模型提供的数据导入“优化器”模型，就能自动生成一份包含投资标的、交易数量的交易清单。在此基础上，团队还会再注意一下有没有计算机监测不到的公司即时事件性信息，检查后如果没有发现特别异常，交易室使用的程序化交易系统将自动按照这个清单来执行交易（程序化交易系统主要用来降低市场冲击成本，不做高频交易）。经历了上述过程之后，每只基金会从1000多只标的的股票池中筛选出100多只股票最终持有。

　“我们的工作做得比较精细化，也许一个交易日下来，与对手之间的差别只有1BP，而一年下来差别就有可能超过2.5%。”在田汉卿看来，魔鬼藏在细节之中，每天的细小差别日积月累之后就很可观。

　与此同时，田汉卿和她的团队也会根据市场运行情况，挖掘、培育、调整、淘汰不同的“选股因子”。“在此前一年多的时间里，我们测试了100多个因子，将选股因子从起初的60多个扩展到了80多个，此外还有20多个因子在我们的观察名单里。同时我们还会根据市场的变化，挖掘被市场忽略的规律，不断寻找新的阿尔法源，进一步完善我们的模型。”