预测全球金融能源时间序列的波动已经成为经济和社会研究的焦点,为了提高金融能源价格预测的准确度,本文首先将随机时效函数与小波神经网络结合构建了随机时效小波神经网络模型。小波神经网络模型是一种能够实现强非线性近似的预测系统,而随机时效函数用于刻画历史数据对当前市场预测的影响,赋予历史数据时变权重并引入到小波神经网络的训练过程中,这使得模型更符合真实市场波动趋势。此外,我们将递归层引入随机时效小波神经网络以提高模型对历史数据的记忆性,并结合小波分解构建了组合预测小波神经网络模型。小波分解的作用在于将原始不平稳的时间序列分解成不同频率较平稳的子序列,更易于预测。结合递归层,随机时效性以及小波分解方法进一步提高了模型的精度。实证研究中,我们采用两种原油现货序列和两种金融石油指数,同时研究了价格序列以及收益率序列的预测效果,并与传统神经网络模型,SVM模型,深度学习LSTM模型等进行了对比。本文除了运用常规的一些误差分析方法之外,还引入了多尺度复合复杂同步性方法,为误差分析提供了新思路。MCCS分析结合了样本熵和复杂度不变距离,用于测量两个等长时间序列之间的同步性,通过分析预测结果和真实价格之间的同步性,我们可以对比得出预测效果。综合误差分析结果表明,我们所提出的两种神经网络模型在全球金融能源价格序列拟合中具有较高的准确度。