金属铜因其良好的化学和物理特性而得到广泛应用,我国铜消费总量已经占到世界铜消费总量的二分之一,成为世界第一大铜消费国。金属铜价格的剧烈波动会增加市场的不确定性因素。正确预测铜收益波动性有助于市场参与者的风险管理以及国家政策的制定。在以往文献基础上,本文创新性地的将Kristjanpoller和Hernández（2017）提出的用于铜市波动预测的ANN-GARCH模型,以及林杰和龚正（2018）用于预测沪锌期货的ANN模型拓展至ANN-LSTM、ANN-Bi LSTM、ANN-LSTM-GARCH和ANN-Bi LSTM-GARCH新模型。ANN模型适合提取空间维度的特征,而LSTM和Bi LSTM模型更擅长捕捉时间维度特征,GARCH模型则有强大的金融解释力。因此本文构建的混合模型理论上可以有效的提取现货铜的波动信息,从而提升模型的波动预测能力。为验证模型的有效性,本文以将2008年-2018年间长江有色市场铜现货为样本,将构建的混合模型的分别与已有的铜波动率预测模型GARCH、ANN、ANN-GARH进行比较,并运用四种误差指标MSE、MAE、MAPE和RMSE评估模型的预测结果。同时为保证预测结果的可靠性,还分别进行了全样本集和子样本集的稳健性检验。即应用模型预测铜现货未来2周（10天）和未来4周（10）天的波动率以进行全样本集稳健性检验,在熊牛市、高低流动性和高低汇率的6个子样本分别进行预测以进行子样本检验。最后本文还将比较选出的最优模型进行了可预测性分析。研究结果发现:（1）ANN-LSTM、ANN-Bi LSTM混合模型的铜波动率预测效果好于ANN、GARCH和ANN-GARCH预测模型,例如在预测铜现货15天的波动率时,ANN-LSTM（4,20）相较于ANN（4,20）、GARCH和ANN-GARCH（4,20）模型的MSE误差值分别降低12.45%、47.29%、31.03%,ANN-Bi LSTM（4,20）相较于ANN（4,20）、GARCH和ANN-GARCH（4,20）模型的MSE误差值分别降低13.31%、47.81%、31.70%;（2）将GARCH预测值作为影响因素引入构建的混合模型可以进一步提高模型的预测精度,如在预测铜现货未来15天的波动率时,ANN-LSTM-GARCH（5,10）模型相较于ANN-LSTM（5,10）模型的预测准确率提升了9.35%,ANN-Bi LSTM-GARCH（5,10）模型相较于ANN-Bi LSTM（5,10）模型的模型的预测准确率提升了17.62%;（3）在稳健性检验过程中进一步发现,波动率预测期间越长的情况下,混合模型的预测能力更强,即在预测铜现货未来10天、15天和20天波动率时,混合模型所表现出来的预测能力是逐渐递增的,同时不同的神经网络结构的层数和神经元个数对混合模型的铜波动率预测表现没有太大的影响。（4）在模型可预测性研究得出,相较于熊市,高流动性和低汇率期间,三个最优模型（ANN-LSTM-GARCH（6,10）、ANN-Bi LSTM-GARCH（4,10）、ANN-LSTM-GARCH（5,20））,在牛市期间,市场低流动性期间以及高汇率期间的铜波动率预测效果更好。