黄金拥有不可磨灭的物理和化学特性,数千年来在人类历史上占据了十分重要地位,对黄金价格进行预测研究具有重要意义。随着统计科学与计算机技术的发展,人们不断尝试使用机器学习的方法对金融市场数据进行预测,提出了多种数据特征挖掘预测模型。考虑到金融市场有大量扰动因素,黄金价格数据中包含大量噪声,妨碍模型的构建。而机器学习方法具有很强的处理非线性数据能力,但其在训练过程中会存在过度关注噪声数据的情况,这将导致拟合效果较差,进而降低其对黄金价格的预测能力。所以本文首先使用小波变换对数据进行降噪预处理,剔除黄金价格数据中的噪声部分,从而降低短期噪声干扰对机器学习模型的影响,提高模型的预测能力。BP神经网络和长短期记忆网络（LSTM）是两种可以用于对时间序列进行拟合的机器学习方法。BP神经网络模型是一种多层前馈网络模型,主要是利用误差逆向传递算法进行模型训练的,该模型可以通过灵活调节网络中间层数以及各层处理单元联系实现对数据的非线性拟合。小波神经网络则是对BP神经网络的改进,主要改进在于利用非线性的小波基函数代替BP神经网络中的激活函数,巧妙地将小波变换与神经网络结合起来,这样的构造使小波神经网络模型继承了小波分析与BP神经网络两者的优点,从而使模型拥有了更灵活更有效的函数逼近能力。长短期记忆网络（LSTM）则是通过在循环神经网络中引入门控的概念,克服了循环神经网络中容易出现的梯度消失和梯度爆炸的现象。LSTM中神经元的独立存储结构可以解决数据地长序依赖问题。本文则在LSTM的基础上,借鉴小波神经网络的思想,构建了全新的WLSTM神经网络,同样使用非线性的小波基取代LSTM的激活函数,让LSTM网络拥有了更好的拟合黄金价格数据的能力。本文通过使用多种机器学习方法与传统的时间序列模型,在黄金期货价格数据上进行实证分析,从而验证改进后的机器学习模型对黄金期货数据分析的适用性。本文选取纽了约商品交易所的COMEX黄金期货数据,并引入白银期货、美元指数、原油价格等黄金价格相关数据作为此次研究的样本。在黄金价格预测实验中分别从单变量输入和多变量输入的角度,采用多种模型对黄金价格进行建模预测,并使用ARIMA模型作为对比模型,验证基于小波分析改进后模型的预测能力。本文最后针对以上机器学习方法中的缺陷以及未来发展方向进行了展望,对模型的优化作了深层次的讨论。