La investigación actual sobre la predicción de precios de futuros se centra en la autocorrelación de los precios históricos, sin embargo, las predicciones resultantes a menudo sufren de problemas de inexactitud y retraso. Este artículo utiliza los futuros de maíz chinos como objeto de estudio. Primero, identificamos factores clave que influyen, como los futuros de soja chinos, los futuros de soja de EE. UU. y el tipo de cambio entre EE. UU. y China, que exhiben "causalidad predictiva" con los precios de los futuros de maíz a través de la prueba de causalidad de Granger. Luego, aplicamos la red de convolución y interacción de muestras (SCINet) para realizar predicciones tanto de un solo paso como de múltiples pasos de los precios de futuros. Los resultados experimentales muestran que la incorporación de factores clave de influencia mejora significativamente la precisión de la predicción. Por ejemplo, en la predicción de un solo paso, combinar precios históricos con precios de futuros de soja chinos reduce los valores de MAE y RMSE en un 5.12% y un 3.45%, respectivamente, en comparación con el uso de precios históricos por sí solos. Además, el modelo SCINet supera a modelos tradicionales como las redes neuronales convolucionales temporales (TCN), las unidades recurrentes con compuerta (GRU) y las redes de memoria a largo y corto plazo (LSTM) cuando se basa únicamente en precios históricos. Este estudio valida la efectividad de los factores clave de influencia en la predicción de los precios de futuros de maíz chinos y demuestra las ventajas del modelo SCINet en la predicción de precios de futuros. Los hallazgos proporcionan valiosas ideas para optimizar el mercado de futuros agrícolas y mejorar la capacidad de predecir riesgos de precios.