Los precios de futuros de productos agrícolas juegan un papel significativo en la tendencia de cambio de estos precios al contado y en la relación oferta-demanda de los mercados globales de productos agrícolas. Debido a la naturaleza no lineal y no estacionaria de este tipo de datos de series temporales, es inevitable que la investigación de pronóstico de precios tenga en cuenta esta naturaleza. Por lo tanto, nuestro objetivo es enriquecer la literatura de investigación existente y ofrecer una nueva forma de pensar sobre el pronóstico de precios de futuros de productos agrícolas, por lo que se proponen cuatro modelos híbridos basados en la red neuronal de retropropagación (BPNN) optimizada por el algoritmo de optimización de enjambre de partículas (PSO) y cuatro métodos de descomposición: descomposición de modo empírico (EMD), transformación de paquetes de ondas (WPT), descomposición intrínseca en escala de tiempo (ITD) y descomposición de modo variacional (VMD). Para verificar la aplicabilidad y validez de estos modelos híbridos, seleccionamos tres precios de futuros de trigo, maíz y soja para llevar a cabo el experimento. Los resultados experimentales muestran que (1) todos los modelos híbridos combinados con la técnica de descomposición tienen un mejor rendimiento que el modelo único PSO-BPNN; (2) VMD contribuye más en mejorar la capacidad de pronóstico del modelo PSO-BPNN, mientras que WPT ocupa el segundo lugar; (3) ITD tiene un mejor desempeño que EMD en ambos casos de maíz y soja; y (4) los modelos propuestos tienen un buen desempeño en el pronóstico de precios de futuros de productos agrícolas.