采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

Oct, 2023

本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对 2018 天中的 1314 个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

Nov, 2018

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

通过评估多种深度学习模型，我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳，并对 COVID-19 期间的价格进行波动性分析。

May, 2024

通过在建立的神经网络体系结构中将 GARCH 模型的神经网络对应组件整合进去，本研究提出了名为 GARCH-NN 的创新方法，以融合 GARCH 模型中固有的波动特征，并证实将 GARCH 家族模型的神经网络对应组件与传统神经网络模型相结合可以带来比独立使用随机和神经网络模型更好的结果。

Jan, 2024

这篇论文展示了最近将统计模型与深度循环神经网络相结合提供了一种描述波动度（时间序列的变化程度）模型的新方法，其中包含了一对互补随机循环神经网络，应用在金融领域的时间序列分析和预测。在实现的过程中，作者着重处理了基于随机循环神经网络的波动度动态变化。实际基于股票价格数据的实验证明，这个模型的波动度预测比其他流行模型例如确定性模型 (GARCH)、基于 MCMC 的模型 (stochvol) 和高斯波动过程模型 (GPVol) 有更高的可靠性。

Nov, 2017

本研究旨在利用公共社交媒体数据（特别是 Twitter）的深度学习表示来寻找一种新资产类别 —— 加密货币（尤其是比特币）的波动率稳定且准确的波动率预测方法。研究利用超过 3000 万条比特币相关推文的语义信息和用户统计信息，并结合 144 天内每 15 分钟的价格数据来构建了多种深度学习构架。实证结果显示，时间卷积网络在预测精度上比经典自回归模型和其它深度学习构架表现更优，同时发现推文作者元信息是比推文的语义内容和推文体积更好的波动率预测因子。

Oct, 2021

本研究使用卷积神经网络将市场信息编码成图像，以预测加密货币短期实现波动性。实验结果表明，该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。

Apr, 2023

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。

Mar, 2021