Los precios de las materias primas son factores importantes para la gestión de inversiones y la toma de decisiones políticas, y la predicción de precios puede ayudar a tomar mejores decisiones comerciales. Debido a la naturaleza compleja y volátil del mercado, los precios de las materias primas tienden a cambiar con frecuencia y a fluctuar violentamente, a menudo influenciados por muchos factores potenciales con características no estacionarias y no lineales fuertes. Por lo tanto, es difícil obtener efectos de predicción satisfactorios utilizando solo los datos históricos de los precios individualmente. Para abordar este problema, se propone un nuevo método de pronóstico de precios dinámicos basado en la selección y fusión de múltiples factores con CNN-LSTM. Primero, se recopilan los factores relacionados con el precio de la materia prima, y se utiliza la inferencia de causalidad de Granger para identificar los factores causales que afectan al precio de la materia prima. Luego, se utiliza XGBoost para evaluar la importancia de los factores restantes y filtrar los factores críticos para reducir la interferencia de la información redundante. Debido a la gran cantidad y los cambios complicados de los factores seleccionados, se emplea una red neuronal convolucional para fusionar los factores seleccionados y extraer las características ocultas. Finalmente, se adopta una red neuronal de memoria a corto y largo plazo para establecer un predictor de múltiples entradas para obtener el precio dinámico. En comparación con varios enfoques avanzados, los resultados de evaluación indican que el método propuesto tiene un excelente rendimiento en el pronóstico de precios dinámicos.