期货市场是我国金融市场的一个重要组成部分,蕴含着经济发展的规律和特点,期货的趋势和波动可以反映出一个国家的许多方面的状况,投资者希望可以有办法来预测期货价格的大致波动,这样可以帮助投资人更好的做出投资决策。对于期货的分析,我们可以对以往的数据进行研究并用时间序列分析等方法挖掘数据,对其进行分析预测。目前对于期货市场的研究主要可分成两类,一种是基本面分析法,这类方法有很强的主观性,更依赖于人的判断,另一种是基于历史数据来构造数学模型,这种方法则更注重客观性,本文选择后者来分析。虽然基于数学模型的预测方法以前提了很多,这些多是从单个模型角度来做预测的。而使用单个预测模型只能够从某一个侧面去研究数据的规律,具有局限性,如果能通过运用多种预测方法进行组合,优势互补,最大程度利用现有的信息,就可以获得更好的预测结果。本文首先使用了具有较强线性拟合能力的自回归整合移动平均模型(ARIMA),通过预处理,平稳化检验与处理,模型定阶,参数估计等流程对股指期货数据建模并进行预测。而后考虑到神经网络具有很强的非线性学习能力,而且循环神经网络中的长短时记忆深度神经网络(LSTM)对以前数据具有“记忆”功能,本文又使用LSTM深度学习模型,通过归一化,设置网络结构,参数调整等让网络模型达到最优,使之能更好的挖掘期货的变化规律。为了发挥两种预测模型的优点,提高预测质量,我们在这两种预测模型的基础上建立混合预测模型,本文分别采用了基于误差修正法和基于最优加权法来构建组合模型,通过RMSE和MAPE评价指标对模型的精度进行度量测试,发现俩种混合模型的拟合精度高于单个模型的拟合精度,最终采用了混合模型对金融时序数据进行预测。本文实例分析了国内沪深300股指期货高频数据,借助Python对其进行模型训练拟合与分析,验证了混合模型的拟合精度比单一某个模型的精度要高,最后我们对股指期货数据建立了混合模型,并对其进行拟合与预测。取得了较好的结果。