新型冠状肺炎疫情爆发后,国际经济形势受到影响,国际金融市场中黄金价格也因此产生了巨大波动。人们越来越关注黄金,在国际重大事件发生后黄金体现了其保值和避险的功能。所以,对于黄金价格的预测研究既有助于国家调控经济政策,又有助于投资者把控金融风险。一些研究者认为黄金价格数据有线性和非线性的数据特征,本文分析近十年伦敦金价格变化趋势发现的确如此。论文根据金价数据特征,对比研究了适应不同数据特征的三种预测模型,具体为差分自回归移动平均（ARIMA）模型、长短期记忆（LSTM）神经网络模型和ARIMA-LSTM混合预测模型,同时将损失函数作为模型优劣的评价标准。首先应用ARIMA模型预测黄金价格,研究发现该模型对短期黄金价格的预测效果较好,对长期数据的预测效果较差。这是由于传统的计量经济学模型在处理非线性的长期数据时有局限性,而深度学习的应用恰好是对此局限性的补充。基于此,本文研究了深度学习中单因素LSTM神经网络,研究发现该模型预测黄金价格的能力比ARIMA模型好,但预测结果存在滞后性。因此构建多因素LSTM神经网络来改善预测结果滞后问题,多因素包含更多的黄金价格外部信息,有助于提高预测的准确性。在众多的金价的影响因素中,美元指数、股票资本市场、原油价格以及美国联邦基金利率的研究频率较高。因此应用计量经济学的向量自回归模型对上述影响因素进行实证分析。其中,脉冲响应、因素分析和格兰杰检验等方法能够探究各因素对黄金价格的具体影响,研究显示利率和原油价格对黄金价格的影响是显著的。将实证结果应用于多因素LSTM神经网络预测模型中,研究发现该模型改善了预测结果滞后问题,提高了预测精度。另外,本文探究了混合模型的预测能力,混合模型理论上具备各单一模型的优点,会得到更好的预测结果。经过对比分析各模型的损失函数,研究得出多因素LSTM神经网络预测模型是各模型中预测效果最佳的。政府和其他投资者可以应用该模型研究黄金价格的变化趋势,为投资储备提供参考依据。