原油期货作为最重要的能源衍生品,与政治、金融市场的稳定以及人民的生活息息相关。随着改革开放进程的推进,我国越来越重视能源安全的问题。我国原油期货市场自建立以来,不断发展,逐渐并入国际轨道,国际原油期货价格的波动对我国原油市场乃至整个国民经济都有着极大的影响。然而,原油期货价格受众多因素的影响,呈现出高噪音、非平稳以及非线性特征,这使得对原油期货价格的预测难度极大。随着计算机技术的发展,基于机器学习类方法的价格预测逐渐变得流行起来,其在对非线性、非平稳的数据预测上有着显著的优势,成为时间序列预测最主要的方法。近年来,能够充分挖掘序列更深层次信息的时序分解技术逐渐应用到了金融领域。本文采用性能优良的自适应噪声完备集合经验模态分解CEEMDAN技术结合机器学习的方法对原油期货价格进行预测,对我国能源政策的制定以及厂商和投资者的决策有着重要现实意义。本文以1988年-2020年的布伦特原油期货日度收盘价为样本数据,采用分解集成的方法对布伦特原油期货价格进行预测,共分为五部分。导论之后,第一章从原油的定价体系以及原油期货市场的发展进行阐述,并对历史上原油市场的波动原因进行分析,发现原油期货价格受供需、地缘政治等多种因素的影响,存在着较强的非线性、非平稳特征。第二章介绍本文预测中使用的分解集成模型,在对序列进行分解之后,选取了SVM、随机森林、XGboost、BP神经网络以及LSTM网络等模型对序列进行预测。第三章为本文的实证研究部分,在采用CEEMDAN对原油期货价格序列进行分解之后,使用游程判定的方法将本征模态函数重构高频部分以及低频部分,接着采用机器学习类方法对各部分进行预测,将各部分预测结果加总集成作为最终预测结果。最后是本文的结论与展望。本文的实验结果表明,在布伦特原油期货价格的预测上,分解集成方法下模型的预测性能要远高于单一模型,特别是在预测原油期货价格波动方向方面。其中,CEEMDAN-LSTM模型在所有模型中的价格预测误差最低,预测价格波动方向的准确性最高。分解集成方法下,制约着模型预测性能的是对高频部分的预测,各模型在低频以及残余项的预测上,预测误差相差不大,而本文在重构高频部分时先对噪音进行了处理,大大降低了高频部分的预测误差。此外,SVR模型虽然在模型预测误差上表现一般,但是其在预测价格波动方向具有着较好的效果。