黄金自古以来既可以作为金属商品,也可以作为货币流通工具,能够兼具商品和投资的双重属性。由于这种双重性,黄金价格发生剧烈的波动将会导致一国经济的震荡,引发投资者的恐慌。同时,由于黄金在全球无阻碍流通,是所有国家和地区的储备货币,这种影响甚至会传导整个国际经济运行。2020年,全球经济市场经历了跌宕起伏的一年。在新的冠状病毒肺炎流行的影响下,各大金融市场都出现了较大幅度的震荡,全球风险资产大幅下跌,中国第一季度的GDP遭受了29年的最大同比降幅,而美国曾经引以为傲的十年大牛市则是经历了史无前例的多次熔断,外部市场不友好的投资环境让大量资金流入作为避险资产黄金交易市场,而其价格一度大幅冲高。现货买卖的高频交易也吸引了大量投资者将黄金期货交易的作为风险规避和赚取利润的拥趸者。虽然沪金现货有很高的规避系统性风险的功能,但是期货由于高杠杆性导致其蕴藏的风险也更大,因此对期货进行价格预测,能够更好地发挥其套期保值、价格发现、资产配置、双边套利等功能,帮助投资者及时做好应对。本文基于以上目标提出了引入注意力机制的CNN-LSTM的沪金期货预测模型。以2008年1月9日至2020年12月31日上海黄金交易所沪金期货主力合约收盘价格以及相关指标作为实证分析,通过RMSE、MAE、R~2等评估指标衡量模型性能,与BP、GRU、SVM等现行主流金融时间序列预测模型进行对比研究,得到如下结论:（1）通过分别建立LSTM、BP、GRU、SVM单模块预测模型,研究结果表明,在该时段沪金期货价格的预测中,BP、GRU、SVM的预测性能要远好于LSTM,四种单模型的RMSE值分别为67.4903、34.8582、36.5678、35.2346;MAE值分别为37.1056、26.2110、29.4222、34.7137;R~2分别为0.6224,0.6804、0.6456、0.6054。说明在单模块多维预测模型比较中BP预测模型效果更优,而LSTM存在一定的多维特征空间联系缺失的问题。（2）通过分别建立CNN-LSTM、CNN-BP、CNN-GRU、CNN-SVM预测模型。实验结果表明,在引入CNN模块之后LSTM、BP、GRU、SVM的预测性能都得到了提升,尤其是LSTM的精准度有了质的飞跃。这说明CNN的空间泛化能力能够弥补LSTM预测模型的缺陷,在时间维度和空间维度上都能有效的提取特征,而对于其他模型来说,虽然也有所提升,但是CNN并不能与之进行很好地模块融合。（3）通过建立Attention-CNN-LSTM、Attention-CNN-BP、Attention-CNN-GRU、Attention-CNN-SVM预测模型。实验结果表明在（2）的基础上引入注意力机制后的各个预测模型或多或少有了一定的性能提升,在进行评估后,引入注意力机制的CNN-LSTM表现最优。这就说明本文在前文中提出的设想:引入注意力机制能够加大重要影响信息影响程度,去除无效信息,是正确的,并在实证中得到了验证。（4）根据预测值与真实值进行比较后,在波动较小,数据较为平稳时间段中Attention-CNN-LSTM能够完美拟合,进行准确预测,包括数值和趋势。而在波动较大的时候,模型在具体数值上有所失真,但是在波动趋势上,Attention-CNN-LSTM依旧有良好的表现力,并且预测的结果要领先于真实值的变动,可以依据实际结果进行投资判断。基于实证结论以及消融实验,本文认为Attention-CNN-LSTM预测效果优于其他对比模型进行,该模型糅合了CNN和LSTM,在空间维度上,CNN具有抽象出基础特并动态泛化的优势,能够提取多维样本间的局部特征,并将提出的片段特征向量连接整合,LSTM作用于延伸时间维度,保留长期记忆对当前时刻的影响。在期货预测任务中,需要考虑时序数据在时空上的双重维度相关性。引入注意力机制将其应用于金融时序预测领域,根据长序包含的子序列对于预测影响程度的不同进行赋权,全盘获取时序信息,根据学习到的短序列特征的重要程度进行自动赋权,隐匿预测过程中非重要特征的干扰,进一步提升模型性能。