伴随着金融投资活动的日益复杂化和多样化,构建合理且高效的量化投资策略成为投资者日益迫切的需求。在此背景下,针对金融数据信息进行量化分析,有助于投资决策的模式优化以及金融资产的智能管理。针对金融特征信息的识别和挖掘问题,在数据挖掘领域有着较为广泛的研究,比如基于金融时间序列进行数据分析及预测;采用KNN、支持向量机等分类算法对因子集合进行分类优化等。金融特征的挖掘效果,与数据源的质量直接相关。近年来,越来越多的研究者将目光转向金融文本数据源,试图从非结构化的文本描述中挖掘可量化的金融特征。但是,传统的金融文本特征挖掘以非规范化金融文本为数据源,存在内容实时性不足、语料权威性难以保证等缺点,影响了金融特征因子的有效性。在提取得到金融特征因子后,下一步的目标是构建有效的因子组合。融合多因子策略较为全面地描述了各个因素如何对复杂金融市场进行共同作用,近年来在金融投资领域有着广泛的应用。然而,传统多因子策略的因子组合对于市场环境变更缺乏动态适应能力,且策略对于市场整体趋势特征缺乏有效的描述和利用。本文围绕金融文本特征挖掘和多因子策略优化两大方面展开研究,提出针对规范化金融文本的评价趋势特征因子挖掘模型,并结合因子权重动态优化设计、行业趋势监测策略对传统多因子策略进行系统性优化。具体包括以下工作:（1）针对非规范化金融文本在金融特征挖掘方面表现出的局限性,本文提出面向规范化金融文本的特征挖掘模型。由于目前规范化金融文本领域下的专业语料集较为匮乏,本文构建了该领域下的情感分析语料库,并以该语料库为样本数据集,采用K近邻分类算法实现券商研究报告在标题和投资建议两个维度上的评价特征分类。最终,将评价特征按时间序列整合为评价一致性因子和评价波动性因子,作为模型最终输出的金融特征因子。因子检测实验结果表明,两类因子在时序相关性、金融标的普适性、收益预测能力等维度上都达到了较好的效果。（2）针对传统多因子策略中因子权重由人工设置,导致因子组合难以及时适应市场环境变更的问题,本文提出因子权重动态优化设计。金融市场具有阶段稳定性,定期优化因子组合有利于提高策略的收益稳定性。因此本文针对规范化金融特征因子和技术因子构成的基础因子集合,采用遗传算法在邻近历史周期内展开因子权重最优解搜索。在遗传算法的具体条件设置上,以二进制编码序列作为权重基因的表达方式,以邻近历史周期内策略回测收益作为染色体适应度。从2017年到2022年的长周期内策略回测结果看,采用因子权重动态优化设计的策略在不同的市场环境下都具有优于基准收益的表现,表明因子权重动态优化设计有助于提高因子组合对于市场环境变更的适应能力。（3）市场行业趋势特征作为投资决策的重要参考信息,在传统的多因子策略中缺乏有效地描述和利用。对此,本文提出行业趋势动态监测策略。首先,本文将证券机构对行业内金融标的关注情况抽象为无向加权图,通过节点标志性程度和趋势水平检测,确定行业趋势节点。在此基础上,将节点集合的趋势特征信息聚合为行业趋势特征,并量化为行业系统性风险指标,将最大行业风险约束下的多因子择优问题抽象为背包问题,通过动态规划算法加以解决。最终,将优化后的策略与目前市场上的常见量化策略在震荡市场区间下进行对比回测实验。实验结果表明,优化后的多因子策略在收益能力以及抗风险能力上都具有较为明显的优势。