金融量化投资近年来越来越成熟,在国内逐步得到广泛关注,发展成为了投资领域比较热门的研究方向。很多投资机构不再满足于通过宏观基本面分析构建投资组合和交易策略,转变为利用数学、计算机、统计等技术,充分挖掘投资资产的历史数字规律,利用这些数学规律构建量化投资策略。借鉴自欧美国家成熟的量化交易经验,受益于国内金融市场的完善,市场波动率和涨跌幅提高,并且随着衍生品交易起步,量化投资这种新兴的投资策略方式和基于量化的基金产品在国内受到很多投资人青睐。目前,常用的量化投资策略包括多因子股票策略、期货CTA策略、对冲套利策略以及高频交易策略等,但是随着市场上的量化投资竞争者不断增多,很多策略都逐渐失效,就需要不断有创新的思路开辟出新的量化投资策略才能获取满足期望的超额收益。针对这种情况,业内已经出现了基于机器学习算法SVM和RNN等形成的投资策略,期望能够借助机器学习的能力从历史数据中归纳出人不容易直接发现的因子来辅助策略执行,但是由于目前国内诸多交易市场不是真正的有效市场,所以单纯的分析历史行情数据的机器学习策略在应对宏观局势或者突发状况时有比较大的局限性,使得整体策略的效果并不理想。本文着眼于当前的现状和趋势,提出了一种既考虑到金融市场情绪因素也考虑到金融市场历史交易数据的机器学习量化交易策略。这种策略结合了自然语言处理NLP和时间序列处理LSTM两种不同的深度学习模型,提取多维度量化因子,构建了一套均衡性基于机器学习的股票量化多因子投资策略。该策略的量化因子主要有三个来源:网络金融舆情文本基于Bert自然语言处理深度学习模型做出的情感倾向、股票历史行情基于LSTM时间序列分析深度学习模型预测做出的涨跌情况、基于均值回归理论算出的股票价格偏离度比例。综合以上的因子构建出最终的逐日调仓的股票量化交易策略,应用在沪深300指数成分股历史行情上进行回测分析和绩效评价,发现该策略效果有明显提升。本文的通过理论研究和实证分析得出的结论,对于金融机构的股票量化投资策略构建和交易提供了一定的思路参考和论证基础。