我国大豆期货市场已经成为农产品期货市场中重要的一环。研究大豆期货价格的变动,预测大豆期货价格的走势,一直以来都是农业经济领域关注的热点问题。然而期货市场价格受标的物价格、供求状况、信息不对称、周期变化、社会政策、不可抗力等因素的共同影响,波动极其不具规律性,导致实验数据在测试过程中存在显著噪声并表现出不平稳的特征。这一问题使得线性方法在对该类型数据进行预测研究时显得有些力不从心,当面对更高精度预测需求时线性模型将会面临瓶颈,这在一定程度上阻碍了时间序列模型的运用与拓展。因此,寻找合理的特征提取方法,构建一种能够揭示期货市场的复杂运动规律的非线性动力系统模型,更好地发挥其市场发现功能,对我国大豆进口贸易、大豆生产经营者及市场投资者等及时合理规避风险具有重要的指导意义。本文采用了近年来热门的网络爬虫技术,从新浪财经的期货板块爬取了我国大连商品交易所大豆期货价格的相关数据。首先构建了三种经典的时间序列模型和单一长短期记忆神经(Long Short-Term Memory,LSTM)网络模型作为基准模型,用来与本文所提组合模型进行对比。然后通过使用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法将大豆期货收盘价格序列进行分解,成功得到十个固有模态函数和一个残差序列,并分析了固有模态函数的特征。最后建立了EEMD-LSTM组合模型对我国大豆期货收盘价格进行预测研究,并采用多种评价指标对模型性能进行衡量与评估。最终实证结果表明,EEMD-LSTM组合模型在一定程度上改善了单一LSTM网络模型预测带来的滞后问题,提高了预测精度。其预测结果较ARIMA模型、MLP模型、SVR模型、单一LSTM模型准确性更高:最优情况下EEMD-LSTM组合模型相比ARIMA模型、MLP模型、SVR模型、单一LSTM网络模型在拟合优度R~2上分别提高了1.323%、2.569%、3.673%、0.804%。因此,EEMD-LSTM网络模型在价格预测方面的良好表现,为大豆期货价格预测提供了一种新的思路。