随着我国经济建设的发展和人民生活水平的不断提高,更多的投资者开始将投资目光转向了商品期货领域,因此商品期货的收益率的走势变化深深地影响到了商品期货投资者的切身利益,并且在大宗商品期货经济地位不断上升的背景下,针对商品期货的价格和收益率预测的研究也逐渐的丰富起来,关于商品期货收益率的预测的研究大多是基于传统的计量经济学和统计学模型,但是由于商品期货收益率的非线性特点,传统模型的效果并不尽如人意。随着人工智能技术的逐渐成熟,硬件设施的不断发展使得新兴的机器学习方法能够更好地适应金融时间序列的非线性和巨大计算量的特点,并且通过构建组合模型的方式能够更好的结合不同模型的优点,提升模型的表现。本文的实证部分介绍了从农产品、金属和能源期货中分别选取的大豆期货、铜和黄金期货以及PTA期货,建模对象为对应商品期货的对数收益率序列;在模型的使用方面,首先使用单一的神经网络模型RNN、LSTM和GRU模型分别进行建模预测,并在建模的过程中对模型进行不断地调整和尝试不同的超参数设置,以提升模型表现;之后基于“分解-集成-重构”的思想,通过使用EEMD信号分解方法和PCA方法对不同的收益率序列进行分解和重构,并结合不同的神经网络构建组合模型EEMD-ML和EEMDPCA-ML进行建模和集成预测,选取RMSE、MAE和衡量预测方向准确率的Hit Ratio作为模型预测精度的评价指标;最后通过使用图与表格进行直观地对比分析展示了9种不同模型之间预测效果的优劣和不同。本文通过将不同模型在测试集上的表现进行对比发现,对收益率序列使用EEMD分解方法和PCA分析处理,再进行神经网络建模能够有效地提升模型在测试集上的表现。综合来看,使用GRU模型构建的组合模型表现最好,略优于LSTM模型,显著的优于RNN模型;其中EEMD-PCA-GRU模型相较于单一的GRU模型,在测试集上的预测误差RMSE平均降低了55%,Hit Ratio平均提高了43%。这些结果表明结合了EEMD分解方法、PCA分析方法和GRU模型构建的模型的优秀的预测潜力,在金融领域的预测问题上有广阔的前景,在理论方面为研究商品期货收益率的预测问题提供了新的思路和方向,在实践方面也能够为不仅能够为投资者和企业提供决策建议,也能够为政府机构更好的进行监管和建设商品期货市场提供帮助。