2018年3月26日,上海期货交易所原油期货（SC原油期货）正式上市。这是中国金融市场对外开放和人民币国际化进程的一个重要里程碑,对国家原油战略安全的维护和我国国际原油市场定价权的提高有重大意义。上市三年来,SC原油期货市场平稳运行,获得了市场的逐步认可,一跃成为全球第三大原油期货品种。由于SC原油期货在为我国金融机构提供资产配置工具、为产业机构提供套期保值工具等方面发挥着重要的作用,对于其价格的趋势预测也显得尤为重要。本文提出了基于LSTM的混合多源域对抗领域自适应模型,利用Brent原油期货价格与WTI原油期货价格对上海SC原油期货价格进行跨域训练,旨在得出能够有效预测SC原油期货价格的模型,并为市场提供预测参考。目前学术界关于原油价格预测的研究方法主要分为计量经济学方法和机器学习方法,由于原油价格序列的复杂性、高波动性、非平稳等特点,传统计量经济学方法预测效果有待提高。近年来机器学习方法在时间序列预测领域大放异彩,它能有效地提取类似原油价格这种非常复杂的序列的历史信息,并对未来值做出准确的预测。然而,现行机器学习模型需要大量的数据支撑,否则容易造成模型过拟合的问题,而上市于2018年的上海SC原油期货序列数据有限,显然很难达到训练要求,传统的机器学习方法对此并不奏效。幸运的是,近年来关于迁移学习的研究与应用为上海SC原油期货序列的预测提供了可行的方案。迁移学习是指利用相关领域（称为源领域）的知识来提高目标域数据集的学习性能,目前在视觉、语言、图像等领域都获得了较大的成功。本文利用迁移学习中的领域自适应方法,分别将WTI原油价格数据与Brent原油价格数据作为源域,将上海SC原油价格数据作为目标域,运用基于LSTM与DANN的深度对抗迁移网络模型提取源域与目标域的特征,并通过对抗学习的方式使之对齐,让源域预测器能够以相似效果应用于目标域,达到迁移学习的目的。t-SNE与UMAP可视化结果均表明本文所提方法能够有效缩小数据特征分布差距。此外本文通过对比实验分析发现,使用迁移学习模型对SC原油价格的预测相比无迁移模型有更高的精度,且使用Brent原油期货价格进行迁移的效果优于WTI原油期货价格,主要是由于Brent原油期货价格序列更接近于SC原油价格序列。为了避免这种因市场差异带来的不确定性,本文进一步引入多源域迁移学习的思想,利用测量分布差异的多核最大均值差异（MK-MMD）值作为权重对两组结果进行加权,提高了模型的鲁棒性。