Para abordar los desafíos en la predicción de los precios futuros del petróleo crudo y de la bobina laminada en caliente, el objetivo es trascender las limitaciones de los enfoques convencionales. Esto implica predecir eficazmente las fluctuaciones de precios a corto plazo, desarrollar estrategias de trading cuantitativo y modelar datos de series temporales. El objetivo es mejorar la precisión y estabilidad de la predicción, apoyando así la toma de decisiones y la gestión de riesgos en los mercados financieros. Un enfoque novedoso, el método de predicción de fusión de características multidimensionales mejorado (MDFFE, por sus siglas en inglés) ha sido ideado. Además, se ha establecido un marco de aumento de datos que aprovecha la ingeniería de características multidimensionales. Los indicadores técnicos, los indicadores de volatilidad, las características temporales y las características de enlace entre variedades se integran para construir un sistema de predicción, y el diseño de características rezagadas se utiliza para evitar fugas de datos. Además, se construye un modelo de fusión profunda, que combina la capacidad de extracción de características temporales de la red neuronal convolucional con la ventaja de mapeo no lineal de un árbol de aumento de gradiente extremo. Con la ayuda de una estructura de red neuronal convolucional de tres capas y una estrategia de fusión de pesos adaptativa, se construye un marco de predicción de extremo a extremo. Los resultados experimentales demuestran que el modelo MDFFE sobresale en varias métricas, incluidos el error absoluto medio, el error cuadrático medio, el error porcentual absoluto medio, el coeficiente de determinación y la suma de errores cuadrados. El error absoluto medio alcanza tan bajo como 0.0068, mientras que el coeficiente de determinación puede ser tan alto como 0.9970. Además, la significancia y estabilidad del rendimiento del modelo fueron verificadas por métodos estadísticos como una prueba t pareada y un análisis de varianza ANOVA. Este algoritmo MDFFE ofrece un enfoque robusto y práctico para predecir los precios de futuros de productos básicos. Tiene un valor teórico y práctico significativo en la predicción de mercados financieros, mejorando la precisión de la predicción y mitigando la volatilidad de las previsiones.