金融市场对于国家经济体系的建设有着重要的影响,可靠和准确地预测金融市场的变动趋势非常重要,尤其是在最近的疫情影响下,全球的经济都面临着前所未有的挑战。金融时间序列是一种可以反映金融市场变化的可量化的数据,但是由于金融时间序列具有非线性、不确定性和动态性,往往很难从数据中找到有效的规律,也很难开发出一个能够直接利用的预测模型去准确判断金融时间序列的变化趋势。单一的预测模型在某些情况下可以取得良好的效果,但是并不适用于所有的情况。为了解决金融时间序列非线性和不平稳等问题,时间序列预测的最新趋势是将机器学习方法与分解预处理技术相结合,以进一步提高预测效果。基于分解-集成的思想,本文提出结合了多重基于改进的完全自适应噪声集合经验模态分解（MICEEMDAN）、分量重构思想、鲸鱼优化算法（WOA）与门控循环单元（GRU）的MICEEMDAN-GRU-WOA集成模型。为了更好的进行建模,本文首先对原始的金融时间序列进行描述性统计与平稳性检验,以观察原始时序的情况,然后利用多分解的方式产生了多组分解结果,每组分解结果中都包含若干个IMF分量与一个残差项。为了降低预测的时间成本,本文利用均值t检验的方法将这些分量重构为高、中和低频分量,残差项单独作为一个分量。接着用GRU与WOA优化算法集成的方式去预测重构的分量,然后将每组中的预测结果相加,得到单组分解的预测结果。最后,对于单组的预测结果利用加权平均的组合策略进行集成。以得到最终的预测效果。为了检验本文提出的MICEEMDAN-GRU-WOA模型在金融时序上的预测效果,选取了布伦特原油期货（Brent）、COMEX黄金期货（GC）、上证综合指数（SSEC）三个数据集,以及RMSE、MAPE、DS、R~2、DM检验这几个评价指标,并将本文提出的模型同几种常见的单一模型与集成模型进行实验比对。最终的结果表明,本文提出的集成模型MICEEMDAN-GRU-WOA在三种金融时序数据集上都显著提升了预测精度,说明MICEEMDAN-GRU-WOA集成模型具有优秀的预测能力,该方法对于预测金融时间序列提供了新的研究思路。