常见的机器学习模型包括决策树、随机森林、支持向量机、神经网络等。例如，可以将线性回归模型和时间序列模型进行组合，或者将机器学习模型和统计模型进行组合。
黄金价格预测模型的选择和参数的选择是一个复杂的过程，涉及到多个因素和方法。以下是一些常见的模型和参数选择方法：
1. 线性回归模型：线性回归模型是最简单的模型之一，可以根据历史黄金价格和相关指标进行拟合，找到最佳的参数。参数选择可以使用最小二乘法、岭回归、lasso回归等方法。这些方法可以通过交叉验证来选择最佳的参数。
2. 时间序列模型：时间序列模型可以分析黄金价格的趋势、季节性和周期性等因素。常用的时间序列模型包括ARIMA（自回归滑动平均模型）、GARCH（广义自回归条件异方差模型）等。参数选择可以通过观察自相关图、偏自相关图和指数加权移动平均图来确定。
3. 机器学习模型：机器学习模型可以通过训练数据来学习黄金价格与其他指标之间的关系。常见的机器学习模型包括决策树、随机森林、支持向量机、神经网络等。参数选择可以使用网格搜索、随机搜索等方法来选择最佳的参数组合。
4. 统计模型：统计模型可以根据历史数据的特征和分布进行预测。例如，使用正态分布来模拟黄金价格的波动性。参数选择可以使用极大似然估计、贝叶斯方法等来选择最佳的参数。
5. 多模型组合：有时候，将不同的模型组合起来可以获得更好的预测结果。例如，可以将线性回归模型和时间序列模型进行组合，或者将机器学习模型和统计模型进行组合。参数选择可以通过交叉验证来选择最佳的模型和参数组合。
无论选择哪种模型和参数选择方法，都需要考虑数据的质量、特征的选择、过拟合问题等因素。同时，需要注意模型的解释性和预测性能之间的权衡。最后，对于黄金价格预测这样的复杂问题，模型和参数选择并非一次性完成，需要不断地验证和调整。