期货趋势预测问题是金融量化交易中的一个重要研究方向。随着人工智能技术和计算机算力的不断发展,期货趋势预测从传统的数学统计分析方法,扩展到使用机器学习的技术方法进行建模分析。其中,深度学习作为机器学习中一种基于深度人工神经网络的学习方法,相比传统机器学习算法有更强的特征提取和学习能力。深度学习是一种数据驱动的算法,大量真实的数据集为其奠定了数据基础。通过采集期货交易中历史金融数据,使用深度学习技术建立的趋势预测模型可以对期货未来价格趋势的涨跌类别和变化幅度进行预测,为投资者制定自动量化交易策略提供指导,也能为金融交易监管部门提供一定支持。现有期货趋势预测研究中,一般针对单个期货时间序列数据进行学习和预测,忽略了期货本身趋势受其关联品种影响的因素。预测模型通常采用如长短时记忆等循环序列网络,在网络并行计算上和历史序列长度上存在限制。针对多品种的关联性期货数据和趋势预测研究问题,一种使用多头扩展因果卷积和多头自注意力机制的多元时间序列预测网络被提出,来对多品种的期货交易数据进行学习,并预测目标期货品种的价格趋势。研究中针对螺纹钢目标期货品种,使用Pearson系数确定三种关联性品种,即热轧卷板、焦炭和铁矿石。获取和构建的数据集为2015年1月5日至2021年12月31日的5分钟期货交易数据。为提高数据集质量,使用基于适应性噪声的完全集合经验模态分解方法进行金融数据集去噪,并用基于改进三边界的方法标注价格趋势的涨跌类别和变化幅度值,选取多种金融技术指标扩充数据特征。为评估多品种期货趋势预测模型的性能,选择螺纹钢、热轧卷板、焦炭、铁矿石四个品种构成的多元时间序列数据进行实验。结果表明,提出的模型比LSTM（Long Short-Term Memory）准确率提升9.3%,比TCN（Temporal Convolutional Network）提升6.4%,比2021年提出的多元时间序列预测网络TST（Time Series Transformer）提升3.4%,验证了提出模型的有效性。