本发明公开了一种基于适应性噪声的完全集合经验模态分解(CEEMDAN)的金融时间序列组合预测方法。该发明首先通过CEEMDAN将金融时间序列分解成本征模函数(IMF)子序列和余项。而后将长期短期记忆(LSTM)与支持向量回归(SVR)组合构建预测模型分别用于预测IMF子序列和余项。最后，将各个预测序列重构得到预测结果。实验结果表明，与单LSTM模型，SVR模型，多层感知器(MLP)模型和其他混合模型相比，该预测模型在金融时间序列的短期预测中表现出更好的性能，解决了现有金融时间序列预测方法过程繁琐，难以对非线性和非稳定性金融数据进行直接预测及预测准确率低的问题。