预测金融市场相关金融资产的波动性,对于决定未来资产的变动方向、降低决策风险以及投资组合的优化至关重要。然而,由于波动率数据极其复杂,存在高度的非线性和时间变异性等特征,同时这些特征又显著地提高了波动率预测的难度,导致波动率预测仍然是一个困难、具有挑战性的工作。因此,准确、可靠的预测波动率不仅有利于金融市场相关人员事先掌握波动率的变动情况、及时控制收益率回撤风险、降低投资风险,同时也有助于稳定金融市场的运行、完善金融市场的管理、降低金融市场风险以及防止因金融市场的随机波动而造成相应的损失。近年来,国内外学者对波动率的预测进行了深入研究以及提出了大量的应用模型,并且取得了一定的成果和进展。传统的预测模型虽然容易操作,但存在预测精度低、模型不稳定的缺点,难以准确的拟合波动率的变动趋势,而且大多数模型选取的是低频数据来预测未来股票的波动性,这会直接导致大量交易信息的丢失,降低预测精度。相比之下,由于深度学习以在不依赖先验知识的情况下从大量原始数据中提取高级抽象特征而著称,因此基于深度学习的高频数据的波动率预测模型能够显著地提高其预测性能和鲁棒性,受到了广泛关注。然而深度学习在金融市场的发展还有待提高,相关的预测模型较少,因此深度学习是解决波动率预测问题的一种新颖的方法。本文通过将两种深度学习方法,即卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）结合起来对金融高频已实现波动率数据进行预测。一方面金融高频数据可以充分利用已知信息来了解市场的变动情况、解释金融市场的微观特征,而且其预测结果也优于以低频数据为基础的波动率。另一方面卷积神经网络的卷积层能够挖掘时间序列数据的深层特征,同时双向长短期记忆网络能够准确地预测和刻画波动率的变动方向和走势。因此本文选取2006年至2018年12年的5分钟沪深300指数数据进行实证分析,同时为了评价模型的预测性能和鲁棒性,分别引入了确定性分析的7个评价指标和6个对比模型、不确定分析的4个评价指标和4个对比模型以及假设检验进行综合评价。研究结果表明,进行确定性分析时,与常规的统计学模型（ARIMA、GARCH）和单一神经网络模型（LSTM、RNN、BP）相比,该模型在预测精度上优于基准模型,即较低的预测误差和较强的鲁棒性,并且能够准确地刻画波动率走势方向,取得了优异、稳定的预测结果。同时进行不确定分析时,本文提出的预测模型在区间预测中均优于其他对比模型,在给定的显著性水平下,可以有效地提高预测区间水平。本文提出的已实现波动率预测模型不仅可以提高波动率预测结果的准确性和稳定性,降低预测误差,同时还有利于金融市场的完善和发展。本文的创新点主要包括:第一利用深度学习的方法提出了一种新颖且稳健的高频数据已实现波动率的预测模型,为波动率预测提供了一种新的可行性选择;第二,本文利用卷积神经网络的卷积层挖掘波动率数据内在的深层特征;第三,以往的波动率预测研究多集中于确定性预测而忽视了不确定性预测的重要性,因此本文建立了已实现波动率不确定性预测模型和对比模型,最终实现了已实现波动率的有效不确定性预测;第四,构建科学合理地评价体系检验本文提出的预测模型,为波动率预测领域提供了新的思路。