期货,是一种可交易的标准化合约。可以对标的物,进行远期价格的研判,将资源重新进行划分和配置,极大的促进国民经济的发展。然而,期货市场具有投机性。风险,总是存在于不确定之中,期货交易中允许杠杆使用的特性,既可以将收益进行相应扩大,随之也可能带来巨大的风险。因此,期货市场价格的预测一直以来是一个富有挑战的研究课题。纵观以往期货价格研究,大多从影响其价格波动的因素入手,再结合其最终价格进行方程计算,但鉴于市场发展并非为纯线性发展,有多种因素干扰,具有不稳定性特征,单纯的方程计算,结果往往不大理想。之后人们用单一的深度学习模型对期货价格特征进行分析预测,相比之前取得了一定的进展。但是期货价格波动较大,导致特征提取困难。近期,人们逐步通过组合模型来解决这一问题,比如EMD-RNN,结果也证明拟合效果比单一模型更加出色。本文从组合模型创新出发,继续对期货进行研究:1.为了防止期货价格波动过大,对预测产生影响,增加计算难度,首先将原始数据采用极值法进行归一化标准处理,本文选取了近几年原油、铜、黄金期货的每日价格信息,保留其数据日期和收盘价格。2.针对期货价格的不稳定,在EMD基础上引用融合了自适应噪声的完备集合经验模态分解（CEEMDAN）方法解决其模态混叠问题。从期货收盘价格入手,依据其时间依赖性,求解每一个上下波动的极差,充分提取价格波动特征,在每一步拆分时候加入正负自适应高斯白噪声,将原始交易数据分解成具有不同中心频率的本征模函数,根据阈值临界点决定最终拆分的IMF数据量以及剩余的残差序列RES。3.期货研究需要几年的数据,为了充分记录历史特征并且加强特征分析,在数据预测时引入双向长短期时间记忆（Bi LSTM）模型,通过门控机制有效提取每一步的隐状态hidden＿states,进行传递并保留。4.加入注意力机制Attention,优化Bi LSTM结果中重要信息的权值,强化对历史特征信息的记忆。最后,使用训练好的模型对样本外数据进行预测分析。5.在实证部分,采用了不同方法做为对照组。首先将未经过拆分的数据用LSTM单层长短记忆模型与Bi LSTM双向长短记忆模型预测结果做对比,证明双向预测能有效提高精准度。然后用EMD-Bi LSTM与CEEMDAN-Bi LSTM做对比,证明CEEMDAN的有效性,最终使用CEEMDAN-Attention-Bi LSTM组合方法预测,结果证明本文组合模型优于别的对照组方法。实验结果表明,CEEMDAN-Attention-Bi LSTM模型相比以往的研究能够明显提升期货预测精准度。通过评估指标得出各种期货商品预测结果准确率均在98%以上,证明CEEMDAN-Attention-Bi LSTM模型在期货价格预测上是有意义的。