随着经济的发展,金融市场越来越深不可测,其特征波动规律难以掌握,因此专注于股市波动的研究对于广大散户意义重大。一方面,研究股市规律能对社会、经济和金融的发展起到明显而有效的促进作用;另一方面,也可以通过科学方法有效地控制市场风险从而获得收益。近年来,国内外众多学者都专注于波动性的研究,其中金融时间序列模型和神经网络模型不断发展且趋于稳定,它们被广泛应用于金融市场等各个领域中。由于单一模型在应用过程中存在各自不同的缺陷,本文试图建立两类模型相结合的混合模型以突破单一模型的局限性,达到更好服务于波动性研究的目的。这既有助于散户进一步了解股票市场并通过合理的投资来分散风险,也有助于国家层面的宏观调控,以维持股市大盘稳中向好的发展态势。本文参考业内已有分析成果,以股票市场为切入点,收集整理了中证500指数（2005年1月4日-2020年12月2日）的历史交易数据,经过数据清洗预处理得到相应的数据指标。首先,本文对收盘价进行连续差分,形成收益率数据,得到序列的波动图。其次,通过正态性检验、平稳性检验和异方差性检验等对收益率序列进行建模前的各种适用性检验,检验结果一致显示残差序列确实具有ARCH效应,应该选用异方差模型进行拟合参数和分析预测。再者,本文分别构建学生分布和广义误差分布这两种分布形式下的异方差模型,根据分析结果来确定最优分布形式。然后,通过一系列步骤搭建本文的混合神经网络模型:第一,将选取的样本数据划分为训练集和测试集,将训练集的数据进行标准化处理。第二,训练构建单一的LSTM神经网络模型,测试模型对应的稳定环境。第三,运用训练集拟合估计基于最优分布下的GARCH族模型的参数,将这些参数连同前面筛选出的数据指标一起作为LSTM模型的输入变量,最终得到了七种混合LSTM模型。第四,用这些模型进行样本外的预测,通过对比预测结果与测试集中的真实数据,计算误差总和,得到GET-LSTM模型预测效果最佳的结论。最后,综合本文的分析结果,拟从投资者、市场管理者以及国家等等层面提出一些可供参考的指导性建议。