量化交易中的量化因子挖掘方法主要包括以下几种：

人工挖掘：依靠投资经理的智慧和经验，根据经济理论和市场规律，找出具有逻辑支撑的因子。例如，基本面因子（如市盈率、股息收益率）、技术面因子（如移动平均线、相对强弱指标）等。这种方法强调对市场的深入理解和分析。

机器学习挖掘：利用机器学习和数据挖掘技术，从大量历史数据中自动识别出潜在的因子。这些因子可能难以用传统经济理论解释，但通过数理统计关系能够有效预测股票收益。常用的方法包括回归分析、决策树、随机森林、神经网络等。

结合传统模型与深度学习：在传统手工构造因子的基础上，引入深度学习技术，赋予因子动态时间特性。通过深度学习模型（如LSTM、RNN等）处理时间序列数据，发现更强大的因子。这种方法结合了传统经济理论和现代数据科学的优势，提高了因子挖掘的深度和广度。

因子组合优化：将多个挖掘出来的因子进行组合，通过优化算法如遗传算法、粒子群优化等，寻找最优的因子组合，以提高预测的稳定性和准确性。

这些方法各有优劣，实际应用中往往结合使用，以提高因子挖掘的效率和准确性。投资者在选择具体方法时，应根据自身的投资策略、数据资源和技术能力进行综合考虑。