近年来,由于高性能计算机的普及以及人工智能技术的飞速发展,人工智能已经对各个领域的生态发起了挑战,金融领域也不例外。我国证券市场发展至今,虽然发展迅猛、成就瞩目,但是内幕交易和退市制度不完善等问题反映出我国证券市场仍然存在诸多机制和监管的问题。加之金融市场本就是一个充满噪声的复杂动态系统,如何准确的预测大盘指数走势、分析现阶段宏观因素对证券市场的影响力是学者关注的热点问题。而对于投资者来说,预测股价走势和波动率并取得高收益低风险的结果是他们永远的追求。种种现实的诉求自然决定了金融领域是一个相当开放且实践方式更新较快的领域,这一特点加上人工智能技术的成熟,人工智能与金融的快速融合是必然结果。例如近几年量化投资兴起,阅读各大研究所策略研究报告之后不难发现,机器学习模型以及深度学习模型深受喜爱。而在深度学习中,针对于时间序列问题且善于处理长期依赖问题的是门控循环神经网络,如长短期记忆模型。本文的理论部分介绍了传统的ARMA-GARCH族模型与神经网络模型的基本知识,其中在神经网络部分中详细介绍并推导了反向传播算法和Adam优化算法。在实证部分中使用了 Eviews、R语言、Keras库等工具建立了 ARMA-GARCH族模型和LSTM模型。初步建模的对象是2008年1月1日至2019年9月30日的沪深300指数的对数收益率序列。本文并在建模过程中不断调整模型且尝试了多种模型架构或超参数,给出了较为详实的模型选择与讨论过程,最后使用图与表格的形式展示了不同模型之间预测结果的优劣。本文最后的实证结果说明在使用了更合理的样本集之后,LSTM模型预测精度更高。通过使用更多的输入特征引入了更多信息之后,LSTM模型的预测能力得到了进一步的提升。这些结果反映了 LSTM模型具有优秀的预测潜力及灵活多变性,在金融领域的预测问题上有广阔的前景。