本文从研究背景和研究意义出发,分析了近两年原油价格的走势情况,通过探究原油价格机制的形成、原油价格波动因素探究以及国际原油价格预测研究等三方面来研究原油价格预测模型,时间序列模型能够较好地刻画原油价格序列中的线性特征,但只有时间序列模型是没办法精准拟合序列中的非线性特征。机器学习模型能够较好地刻画原油价格序列中的非线性特征,但它又无法去刻画序列中的线性变化趋势。所以单一的模型很难描述出原油价格序列的多重特性,因此集成不同模型的混合模型是一种有效的选择。传统模型集成主要有Bagging、随机森林、Boosting、AIC和BIC等种类,其中Bagging、随机森林和Boosting通过投票的方式,来对不同样本的同一类模型进行集成,AIC准则和BIC准则是对不同变量的同一类模型进行集成。以上传统集成模型研究对同一类嵌套模型的集成效果,而目前研究中常用的有时间序列模型和机器学习模型,其中又包含有线性和非线性模型,且模型与模型之间属于非嵌套关系,本文尝试研究利用LASSO实现不同类别的模型集成。利用移动平均、一次指数平滑、二次指数平滑、三次指数平滑、ARIMA、SARIMA、回归分析、SVR、LSTM、RNN和Xgboost等11个模型产生原油价格收益率的11个预测序列,将备选模型集变量化,通过求解各个变量的系数,进而赋予各个模型对应的权重,从而达到模型的集成。直接利用LASSO集成模型有可能出现两类问题,第一类问题为不同类别的模型得到原油价格收益率预测序列可能高度相关;第二类问题为时间序列模型预测序列组和机器学习模型预测序列组可能呈现出组结构。针对以上问题本文提出使用因子结构下的LASSO集成模型和Group LASSO集成模型,并进一步考虑因子结构下的Group LASSO集成模型。通过MSE、RMSE、MAE和MAPE等指标来对11个备选模型、LASSO权重集成模型和简单权重模型进行评估,结果显示利用LASSO设置备选模型集的权重更合理,且因子结构下的LASSO集成模型和Group LASSO集成模型的预测效果都优于LASSO集成模型,预测效果最好的为因子结构下的Group LASSO集成模型。