随着电子信息技术的飞速发展,电子加密货币的种类逐渐增多,比特币便是其中之一,对比特币进行的价格趋势预测,能够为从事数字货币相关行业的投资者赢得更多收益的机会。除此之外,比特币还有一项重要的功能,即实现数字资产流动,加密货币行业的发展需要像比特币这样的电子货币的支持。国内外许多金融从业者和学者对这一问题给予了密切的关注,展示了大量的研究成果,收益率的波动性包括哪些影响因素,也是我们要研究的问题。在传统预测方法中,没有有效地解决比特币价格波动性大的问题,所以使得预测精度较低、效果不显著。GARCH模型能很好的描述金融产品风险的异方差性,而机器学习中的长短期记忆网络模型则能够有效解决比特币价格预测中长时间记忆的问题,提高预测效果。本文使用LSTM模型、GARCH模型这两个模型,以及它们按照不同的加权方式所得到的组合模型分别对比特币从2017年8月17日到2021年5月12日的收盘价日收益率生成的时序数据进行实证分析。选用统计分析方法中的GARCH族模型,以及深度学习算法中的LSTM模型进行拟合。利用方差倒数法和误差平方和最小准则确定各自加权模型的权重系数,实现两种加权方式各自的最优加权。利用GARCH类模型与LSTM模型生成的预测数据组成一个新的组合模型。最后利用均方误差、均方根误差、平均绝对误差、平均绝对百分比误差作为指标,衡量各个预测模型的预测精度。对比实验结果,加权组合后的模型预测效果要好于只利用单一模型。