波动率的预测在资产的配置、衍生品的定价、投资决策、资产评估以及衡量市场风险等方面都起着十分重要的作用。早期对波动率的研究基于低频数据,主要有历史波动率模型、ARCH模型、GARCH模型、SV类模型等。随着高频数据的可获得,已实现波动率的概念被提出,有学者基于由高频数据计算的已实现波动率提出了两个新的模型,分别是分整自回归移动平均模型（ARIMA模型）和异质自回归已实现波动率模型（HAR-RV模型）。这两个模型得到了更好的预测效果,已实现波动率逐渐成为研究价格波动的重要手段。后来不断有学者对已实现波动率进行研究,但大多是基于HAR-RV模型及其各种变体。本文通过全连接神经网络（FNN）以及长短时记忆神经网络（LSTM）,同时综合考虑影响已实现波动率的因素来搭建模型对已实现波动率进行研究。除异质自回归已实现波动率模型的因变量:日、周和月已实现波动率外,本文另外引入隐含波动率、成交量和波幅这两个市场变量（market variable,mv）作为模型的输入。首先,搭建神经网络隐含波动率模型,通过全连接神经网络预测隐含波动率;其次,将日、周和月已实现波动率,隐含波动率,成交量,波幅六个解释变量通过自编码器（AE）预训练,进行降维和特征提取;最后,将AE编码过程的输出即获取的原输入多维数据序列经过特征提取的低纬度向量作为LSTM的输入,进行训练预测。综上,本文搭建多变量-混合神经网络已实现波动率模型（FNN-AE-LSTM-RV-mv模型）对已实现波动率进行研究。在上证50ETF上对本文搭建模型（FNN-AE-LSTM-RV-mv模型）进行实证分析。同时在上证50ETF上对单变量神经网络已实现波动率模型（AE-LSTM-RV模型）、HAR-RV模型进行实证研究。通过模型预测对比分析,结果表明,本文搭建的FNN-AE-LSTM-RV-mv模型具有更优的预测效果。实证分析部分主要得出如下结论:神经网络隐含波动率模型的误差分析优于历史波动率;通过自编码器（AE）进行预训练,提高了 LSTM神经网络的预测效果;非线性的混合神经网络已实现波动率模型比线性回归模型有更好的预测效果;考虑其他影响因素即包含更多市场信息的预测优于仅考虑不同时间间隔的历史已实现波动率因素的预测。