近年来,深度学习技术不断应用于各行各业。本文将深度学习技术应用于金融领域,对商品期货未来价格趋势进行预测。本文分析两类期货数据:数值型数据、文本型数据。数值型数据包括交易数据和指标数据,使用数值型数据可以辅助判断买卖点和趋势。文本型数据包括新闻、机构的分析文章、投资者的评论等多种形式,通过分析其传递出的情感,判断未来价格趋势。因此对这两类数据进行分析对投资者进行决策具有重要意义。数值型数据的趋势预测模型中,没有对数值型数据直接做自注意力运算的模型,且都只针对单一商品进行训练,没有发挥出相关性商品的作用;文本型数据的趋势预测模型中,模型特征提取能力差,无法突出关键特征。针对上述两种模型存在的问题,本文做了如下研究:1)构建在双层LSTM模型前增加自注意力层的数值型期货数据趋势预测模型。现有的期货数值型数据的趋势预测模型,没有一开始就对数据做自注意力运算的。该模型验证了给数值型期货数据直接做自注意力运算可以提升模型预测效果。2)基于自注意力机制构建融合相关性商品数据的数值型期货数据趋势预测模型。目前的已知模型没有利用到相关性商品的数据,都是单输入单输出模型。本模型为二输入二输出模型,输入为两个相关性商品的数据,输出为两者的预测趋势。相关性商品彼此存在一定关联,本模型通过自注意力机制融合两者信息,给模型效果带来了极大增益。也变相的提供了一种通过融合具有相关性两者的信息来提升模型效果的思路。3)构建混合神经网络进行文本情感分析。现有的文本型数据趋势预测模型,大多在捕获长距离依赖和语义语序的特征提取上表现不好,不具有突出关键特征的能力,模型效果不够理想。本文构建混合神经网络来进行文本情感分析,从而判断期货价格趋势。主要采用了Bi LSTM提取学习长距离依赖,采用LSTM-CNN结构提取语义语序特征,采用自注意力机制学习关键特征。4)模型综合效果分析。在实际交易中,交易者多从多角度进行分析。故本文先分别对上述两种模型进行实验分析,之后将两者结合,分析整体效果。