作为一种重要的科学研究对象,时间序列在社会生产的各个角落都扮演着重要的角色,例如原油价格时间序列就关系着以其加工品为主要依赖的各种工业生产和社会活动。在众多时间序列中,金融时间序列是包括投资者、政府管理者与学者在内的各方人士所关注的重点。然而,金融时间序列往往因为受到各种因素的综合影响,例如宏观经济与政策、地缘政治和突发信息等多种因素而存在非线性、非平稳性、多尺度性等特性,因此极为不确定且难以预测。如何构建有效且准确的金融时间序列预测模型对于与之相关的投资者、研究者、企业和政府来说都具有很大的理论价值与实践价值。本文的主要研究内容和结果如下:运用了基于ICEEMDAN（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,优化的基于自适应噪声的完备集成经验模式分解）、GWO（Gray Wolf Optimization,灰狼优化）、MKELM（multi-Kernel Extreme Learning Machine,多核极限学习机）理论构建的ICEEMDAN-GWO-MKELM组合预测模型,其中多核极限学习机是基于KELM（Kernel Extreme Learning Machine,核极限学习机）提出的。本文选取的研究数据分别来源于WTI、BRENT的国际原油时间序列,以及来源于中国外汇交易中心的美元、欧元、100日元兑人民币的汇率时间序列。该模型首先利用ICEEMDAN对选取的金融时间序列进行分解,其次利用GWO优化的MKELM对分解得到的子序列分别进行预测,最后将各子序列预测值求和得到总体预测值。通过与目前先进的其他现有预测模型的对比以及对预测结果进行Nemenyi检验,验证了该模型的有效性。在此基础上,论文还通过控制变量法研究了提出的ICEEMDAN-GWO-MKELM模型的预测性能是如何受到一些模型参数设定的影响的,在此基础上证明了我们的模型的可靠性。本文的主要贡献在于:1、提出了一种全新的时间序列预测方法,在包括原油价格和汇率的金融时间序列上表现出更加出色的预测准确度,能够作为一种值得考虑的时间序列预测模型用于生产、研究和政府管理领域,具有很强的实用性;2、在核极限学习机的基础上提出了一种引入多核来增强模型预测能力的思路,并使用自然计算的一种,灰狼算法来优化多核极限学习机的参数,从而实现多核极限学习机的最优化;3、证明了基于“分而治之”的思路来预测金融时间序列是有效的,通过将复杂的原始时间序列分解成多个相对简单,并且能够保留原时间序列不同维度的关键信息,相对简单的分序列有利于减少预测难度,保留原时间序列的不同维度的特征也保证模型不会遗漏对于预测效果至关重要的关键信息,因此最后能够帮助预测模型获得优异的预测精度。