贵金属期货作为金融期货市场中的一种相对成熟的期货品种,由于其所具备的避险功能、价格发现功能、资源配置功能以及风险投资功能,在当前资本市场上扮演着十分重要的角色。若要充分发挥贵金属期货的功能,则需要贵金属产业链相关企业对贵金属期货价格指数未来一段时间的变动进行预判。金融市场具有高度复杂性,基于单一预测模型很难充分抽取到金融市场中的有效信息以进行有效预测,结合多种学科的多种算法构造混合预测模型是解决这一问题的已验证有效的途径。基于此,本文提出了以基于自适应噪声的完备经验模态分解方法与长短期记忆网络为基础的多步混合金融时间序列预测模型。基于自适应噪声的完备经验模态分解方法将原始非平稳的时间序列分解为多个平稳的具备不同频率的时间序列成分(本征模函数)。随后,本研究挑选出部分与预测目标相关的时间序列成分作为长短期记忆网络的输入特征对本文采用的数据集构建回归预测模型。本文挑选了近六年上海期货交易所与纽约商品交易所的黄金期货与白银期货价格指数作为原始数据集,以这四种贵金属期货的日度收盘价为预测目标;以支持向量机、多层感知器、循环神经网络,以及两种不同输入特征下的长短期记忆网络作为对比模型,验证所提出的预测模型的有效性与普遍适用性。本研究数据实验结果表明:(1)基于R平方,均方误差根,均方误差,平均绝对百分比误差,以及平均百分比误差的评价结果,本文所提出的CEEMDAN-LSTM混合预测模型明显优于其他五种单一对比模型。(2)要使得所提出的预测模型的预测效果提升,增加预测步长时,也应该同时增加所选择的本征模函数个数。(3)在预测步数的增加的情况下,本文所以提出的CEEMDAN-LSTM预测模型在保持高数值预测精准度的基础上,一定程度上抑制了预测模型预测性能的衰减。(4)按照CEEMDAN-LSTM模型所得到的预测结果进行交易,可获得比“Buy and Hold”策略下更多的收益。