随着经济不断发展,我国居民可投资金融资产逐步增加,期货作为一种风险投资方式也被越来越多的人所选择。期货交易是指买卖双方通过签订一个标准协议,约定在未来某个日期对某种商品进行交易的方式,期货投资费用较低,允许投资者先卖后买,但这也使交易者面临着较大的投资风险。近年来,随着计算机技术不断发展和学科交叉的日趋成熟,期货市场参与者和研究者们期望能够有更加科学、客观的手段来进行市场分析和价格预测,以减少主观判断带来的片面性、规避投资风险进而带来更多投资收益。现有对期货价格的分析主要有基本面分析、传统计量模型、机器学习算法等方式。基本面分析依赖于分析师的经验知识,具有主观性和片面性。传统的计量模型在金融等非线性数据上没有明显优势,支持向量机等机器学习算法也没有解决价格序列中存在的长时间依赖问题。后来,记忆神经网络的出现解决了上述模型中存在的问题,对长时间、非线性金融数据有着较强的预测效果。然而,在这些神经网络预测模型中,大部分研究者仅使用基本价格指标以及常见技术指标作为模型输入特征,并没有考虑其他复合特征对期货价格的影响,模型输入具有单一性的问题。为了在期货价格预测模型中融入更多特征以取得更好的预测效果,本文基于数据挖掘和长短记忆神经网络（Long Short-Term Memory,LSTM）提出了特征融合期货价格预测模型。考虑价格时序性以及价格形态对价格变化的影响,本文设计了价格形态特征提取算法,该算法首先将连续价格数据进行一段时间的窗口滑动形成价格形态向量,然后将价格形态向量进行关键点提取后应用于K-means聚类算法进行聚类,从而发现各价格形态之间的相似性规律,进而实现特征提取。同时,考虑投资者情感倾向对未来价格变化产生的影响,文章将期货吧真实投资者发帖文本内容进行情感分析,设计权重优化规则来更加准确地量化投资者情感值,实现投资者情感倾向特征提取。新特征指标提取完成后与基本价格指标和关键技术指标进行融合,文章选择记忆神经网络LSTM来进行建模分析,以更好地适应期货价格数据的长时间依赖特征,同时为了减少输入维度提高模型效率,文章还设计联合LSTM进行模型训练和验证。最后,将本文所提模型应用于上海期货交易所和大连商品交易所的若干期货产品,并与同类的价格预测模型进行比较,结果表明本文所提模型在不同期货产品上均具有较好的预测效果,相比其他同类算法也具有更好的预测性能。这充分验证了LSTM神经网络的优势和特征融合的有效性。同时投资者可以根据模型预测结果来指导策略制定,因此本文所提模型具有理论和现实上的双重意义,也为其他此类研究提供了新思路。