原油作为基础的能源产品,是重要的国家战略储备资源。原油及其提炼物涉及到制造业的各个行业,渗透到广大人民群众的衣食住行。原油价格是众多大宗商品价格走势的基石,也是国际经济风云变幻的晴雨表。油价的剧烈波动严重影响到国家经济发展的稳定、国民生活的安定以及社会的可持续发展等方方面面。原油价格的波动分析及预测,可以帮助政策制定者、企业管理者及投资者应对油价波动风险,相关研究具有重要的科学意义和潜在的应用价值。由于原油价格在贸易市场中受到供给、库存、需求、政策不确定、地缘政治等诸多因素的影响,且在金融市场上受到股市、汇率、大宗商品价格等方面的影响,从而价格序列呈现非稳定、非线性的复杂动态特征,为原油价格的波动分析及预测带来了极大的挑战。在这样的复杂背景下,本文试图从以下几个方面开展深入研究:如何探测相关因素与原油价格之间的动态关系?如何提高油价预测模型的泛化能力?如何对油价的剧烈波动进行早期预警?本文的主要研究内容和创新性的研究成果体现在以下四个方面:（1）为了研究相关变量与油价之间的联动特性,本文提出了多尺度滞后联动关系分析方法。本文以经济政策不确定性（EPU）指数和西德克萨斯轻质原油（WTI）价格为例进行实证分析。首先,本文利用分解和重构算法得到原油价格的长期、中期和短期趋势序列,为了捕捉EPU指数和油价间联动性的变化,本文根据油价波动状态将样本数据划分为不同的区间;然后,利用时滞交叉相关分析及其衍生方法从三个方面分析了EPU指数与油价不同趋势的联动效应;最后,利用分析结果改进了油价分解-集成预测模型。实证结果表明,在不同尺度,EPU指数与原油价格的滞后期和关联强度均存在显著差异,EPU指数与油价之间的多尺度滞后联动性分析有效地提升了油价分解-集成模型的预测精度。（2）已有的研究多是利用回归预测模型对原油价格、收益率或波动率的值进行预测,为了提升预测模型的泛化能力,本文提出一种基于模态融合数据特征的机器学习分类混合预测模型。首先,从证券价格技术分析的角度出发,本文利用变分模态分解算法构造了5个模态融合数据特征:主要趋势、相对位置、偏离位置、方差比率和波动幅度变化;然后,利用符号时间序列分析方法将原油价格波动率序列符号化,用符号表示原油价格的波动趋势,并将趋势符号作为机器学习分类算法的标签;最后,训练了三种机器学习多分类模型对原油价格的趋势进行预测。基于WTI期货价格的实证分析结果表明,模态融合数据特征有助于提升原油价格的可预测性,分类预测算法可有效提高预测模型的泛化能力。（3）现有价格突变预测研究主要是利用计量经济学模型对价格序列的结构突变进行识别。然而,计量经济学模型不能对非线性时间序列有效预测,且结构突变不能直接度量一定时间内序列变化的方向及幅度。鉴于此,本文提出一种基于深度学习算法的价格突变预测模型。考虑个体风险承受能力的差异,本文根据价格的波动方向及幅度定义了三种类型的突变点:混合突变点、上涨突变点和下跌突变点;结合长短期记忆网络、卷积神经网络和变分模态分解算法构造了突变点预测模型,该模型的优势在于可以同时提取价格序列中的时间特征和不同模态空间特征。基于WTI期货价格的实证分析结果表明,本文提出的价格突变预测模型对于三种类型的突变点具有较好的预测能力,尤其对混合突变点的预测效果最佳。（4）鉴于组合预测模型比单一预测模型具有更好的稳定性,本文提出一种基于机器学习分类算法的组合选择预测方法。考虑到不同区间价格趋势状态的差异对预测精度的显著影响,本文先构造了三个能够刻画价格序列长短期趋势及其波动程度的状态变量,从而提升子模型的预测性能。组合预测方法的难点之一在于筛选合适的子模型,本文的组合模型是基于分类算法构造的,既有的基于回归算法的组合模型采用的筛选方法不适用于此。为此,本文提出一种新的最优子模型集迭代选择算法。基于WTI期货价格的对比实验结果表明,本文提出的组合预测模型比单一预测模型在预测精度上有了极大的提升,其原因在于组合预测模型提升了波动率大的趋势类别的预测精度。