摘要：摘要 农业商品价格的波动给供应链中多期决策的资源分配和战略规划带来了巨大挑战。然而，农业价格动态的复杂、非平稳和非线性特性使得这些波动难以有效建模和预测。为了应对这一挑战，我们引入了一种基于人工智能的预测框架，该框架将注意力机制与随机森林（AM-RF）相结合。利用长达十年的观察期（从2013年7月26日到2023年7月25日），我们将大约21,000条新闻标题与宏观经济指标相结合，同时创新性地采用思维链（CoT）策略，利用大型语言模型（LLMs）自动从新闻内容中提取情绪信号。我们的结果表明，我们的AM-RF模型在多步预测中显著优于基准模型，在各种时间跨度上（短期（1天、5天）、中期（60天）和长期（180天））具有更高的准确性和鲁棒性。此外，我们的模型捕捉到了外部环境因素在时间序列贡献上的差异。具体来说，市场情绪在短期和中期的价格预测中成为最具影响力的因素，而在长期预测中，经济环境则扮演了更为突出的角色。相比之下，市场基本面和价格成本在较长的预测窗口中表现出相对较小的贡献。我们的研究突出了人工智能和LLM在应对动态市场环境复杂性方面的潜力，并为农业供应链中数据驱动决策框架提供了强有力的证据支持。