分解算法（EMD 和CEEMDAN）能根据信号特点自适应地将信号分解成一组具有物理意义的IMF 分量的线性组合，非常适合非线性、非平稳信号分析。深度学习算法（LSTM 和 GRU）对复杂序列中长期依赖关系有较强的提取能力。因此，本文将两者结合来探究高精度时序预测的可能性。

为测试模型的有效性和泛化能力，本文在CU、IF 和T 三种期货合约上进行了测试。

在三个品种的预测中，𝑅2最高可提升10%以上，三个品种的最佳方向准确率均达到60%以上，我们发现在分解算法将价格序列分解成IMF 分量组合后，可以不简单依靠T 检验对序列进行高频、低频和趋势项的分类加和，将IMF 分量依次组合求得最优组合方式能强化深度学习模型的学习能力。同时，通过剔除少量高频IMF 分量对高频序列进行去噪可以再次增强优化效果。

此外，我们还发现虽然EMD 和CEEMDAN 均能对深度学习算法进行优化，但优化效果不一定，CEEMDAN 的优化效果不一定强于EMD。同时，重组去噪后的GRU 模型并非绝对优于重组去噪后的LSTM 模型。