近年来,多目标优化问题是工业界与科学研究领域中的研究热点。多目标优化算法的目的是获得一组均匀分布在整个帕累托前沿面上的最优解。其中,基于偏好的多目标优化算法将决策者的偏好信息融入到多目标优化算法中可以缩小搜索空间、减少计算开销、获得部分解,得到了研究者的广泛关注。传统基于角度偏好多目标粒子群优化算法具有实现简单、偏好区域范围能灵活控制以及收敛性好等优点,但在处理复杂问题时,算法对优秀粒子缺乏足够的选择压力以及易陷入局部最优,并且当偏好角度设置不适当时种群多样性会降低。本文针对上述问题,提出一种选择压力增强的角度偏好多目标粒子群优化算法,并将其应用到多因子股票筛选中。本文的主要工作如下:（1）提出一种基于角度偏好多目标粒子群优化算法（IAPMOPSO）,以增加算法对非支配解的选择压力与跳出局部最优的能力。首先,IAPMOPSO使用一种基于自适应PBI的外部存档更新策略。在更新外部存档时,算法可依据自适应的PBI方法选择精英粒子,从而在粒子间建立更加严格的偏序关系。其次,IAPMOPSO采用自适应偏好角度调整策略,在算法迭代初期适当扩大偏好角度,随着算法的迭代逐渐缩小至预定偏好角度,以此缓解因不适当的偏好角度设置而导致的种群多样性减弱。最后,IAPMOPSO使用一种新的个体最优值更新策略,在个体最优值更新的同时,提升个体间的信息交流来增加算法跳出局部最优的能力。在基准测试函数上的实验结果表明,IAPMOPSO算法在收敛性与多样性方面均优于现有的偏好多目标优化算法。（2）提出一种基于层次聚类和IAPMOPSO算法的多因子选股方法（IAPMOPSO-MFM）,以便于更合理地筛选因子并分配因子权重。首先,IAPMOPSO-MFM以最大回撤率与年化收益率为两个目标函数,对因子权重进行优化,使因子权重分配更加合理。其次,IAPMOPSO-MFM利用层次聚类算法将因子进行聚类,删除相关性较大的冗余因子,降低筛选出的有效因子间的相关性。以2012年至2018年沪深300为研究对象,实验结果表明,本文提出的策略可以跑赢市场,对比传统因子等权重赋权、IC均值赋权方法也更具竞争力,并能够根据决策者的偏好选择投资策略。（3）设计并实现了基于角度偏好多目标粒子群优化算法的多因子选股系统。该系统设计并实现了用户登录模块、算法模块以及多因子策略模块,实现了股票投资策略的选择。