金融具有实现资金跨时间、跨区域配置的功能,跟居民的生活和社会经济的发展息息相关。准确地预测金融行业的发展趋势,不仅能够实现个人资产保值增值,而且能促进社会经济运行更加平稳。金融时间序列预测是根据历史的金融数据,通过取其中所包含的有价值的趋势和发展变化的信息,对其未来的发展做出有效的推理。由于受到各种内外部因素的影响,金融时间序列具有非线性、非平稳的特性,所以很难准确地对其进行预测。所以,构建有效的金融时间序列预测模型,具有很重要的学术意义和现实意义。在金融时间序列预测的研究上,无数学者都为之付出了努力。当前学者使用的预测模型主要包括传统的基于统计学的模型和新进的人工智能模型。这些预测模型的出和使用,为金融时间序列预测的探索做出了贡献,推动了金融时间序列预测的发展。但是,在面对金融时间序列的复杂特性时,这些模型还不能很好地适应当下的需求,需要进一步探索新的数据处理方法和预测模型,以获得更高的预测准确度。本文出了一种建立在“分解和集成”框架基础上的集成预测模型,将多重基于改进的具有自适应白噪声的互补集成经验模态分解（MICEEMDAN）、正弦余弦优化算法（SCA）和随机向量泛函连接网络（RVFL）进行集成,构建了新的预测模型——MICEEMDAN-SCA-RVFL,并将其应用于金融时间序列预测。本模型首先使用随机化的参数,对原始金融时间序列进行多次ICEEMDAN分解,产生多个单分解的子序列组;然后,使用RVFL网络分别对每个子序列进行预测,产生一系列的预测值;在此过程中,为了更好地对模型参数进行寻优,以高模型预测的性能和运行效率,本文选择SCA优化算法对RVFL网络模型的参数进行优化;接着,将各个分解子序列的预测值进行加总,产生一组单分解预测值;最后,以单分解模型预测结果的RMSE值作为权重,采用加权汇总的方式对所有的单分解预测结果进行集成,生成最终的预测结果。为了对所出的模型在金融时间序列预测上的有效性进行验证,本文选取了四个不同的金融时间序列数据集进行实证研究,分别是上海证券交易所综合指数（SSEC）、深圳证券交易所综合指数（SCI）、西德克萨斯中质原油现货价格（WTI）和美元/人民币汇率（USD/CNY）。在实验过程中,选择了三种单模型及其集成模型共六种模型作为对照模型,与本文所出模型的表现进行对比。实验结果证明,本文所出的基于多重分解的集成模型MICEEMDAN-SCA-RVFL能够更好地对金融时间序列进行预测,有效地高了预测的准确度。在此基础上,本文进一步对所出的多重分解方法进行了验证。相比于单分解模型,多重分解能够取得更好的效果,更适于对金融时间序列进行处理,以便于后续的预测。同时,本文使用的SCA优化算法能够有效地帮助模型寻找到合适的参数,更好地进行预测。而且,在集成规模的选择上,更高的集成比例,不一定带来更好的结果,应该结合实际的数据,选择合适的集成比例。本文出的模型能够高现有金融时间序列预测的准确度,不仅能够帮助投资者更好地进行资产配置,还可以辅助相关机构制定科学合理的决策。