以股指期货为代表的金融衍生产品的出现推动了中国资本市场的繁荣发展,经历了2015年股指期货市场异常波动后,股指期货波动率预测与风险管理研究尤为重要。如何提高股指期货波动率的预测精度,建立有效的风险管理策略,对国家资本市场的发展、监管部门管控金融风险以及个人投资者制定投资策略都具有重要意义。近年来,大量学者利用高频数据研究股票价格等金融数据,应用到股指期货波动率的较少。在波动率预测方面,除了较为传统的计量模型,机器学习、深度学习等模型也已广泛应用于波动率序列预测中。但大多数学者忽略了波动率序列的特征。受多种因素影响,股指期货高频波动率序列通常含有大量噪声,且具有非线性、长记忆性等特征,传统的计量模型和简单的机器学习模型难以准确预测。信号处理方法和机器学习、深度学习相结合构建组合模型,可以很好地解决上述问题,目前基于上述两种方法的组合模型在股指期货波动率预测方面应用很少。此外,将股指期货波动率的预测结果应用到风险价值的度量中,可以衡量股指期货的市场风险。本文聚焦股指期货波动率预测问题,主要研究内容分为以下两个方面:1.高频波动率序列处理方面。本文针对高频波动率序列非线性、噪声大以及具有非平稳信号特征的问题,采用VMD分解技术进行一次分解,运用游程判定法将序列重构为高频分量和低频分量,再对复杂性较高的剩余残差项运用CEEMD分解技术进行二次分解。2.高频波动率预测及应用方面。针对不同频率模态分量的特征,选用不同的模型进行预测。采用LSTM预测高频分量、GRU预测低频分量,采用SVR对残差项二次分解的各IMF进行预测,构建VMD-CEEMD-LGS预测模型。最后,将各子序列预测结果叠加,最终得到高频波动率序列的预测结果。并与本文设置的对比模型进行比较研究,验证模型的有效性。最后,将已实现波动率的预测结果应用到风险价值的度量当中,用于衡量股指期货的市场风险。实验结果表明,本文构建的VMD-CEEMD-LGS预测模型,在沪深300股指期货波动率预测的实证研究中取得了较好的效果。在与单一模型LSTM、GRU、SVR和只进行一次分解的模型VMD-LSTM、VMD-GRU、VMD-SVR、VMD-LGS进行对比时,预测结果更为精确且有更好的泛化能力。本文的创新点主要有以下两个方面:第一,高频波动率序列处理方式的创新。针对高频波动率序列非线性、长记忆性、噪声大以及具有非平稳信号特征的这些特点,采用信号处理的方法对高频波动率序列进行模态分解以及残差项的再次分解,从而解决序列内部存在的相关问题。第二,股指期货高频波动率预测体系的创新。本文采用信号处理的方法分解高频波动率序列并运用机器学习和深度学习模型预测各分量,构建适用于股指期货波动率预测的多尺度组合模型,再将预测结果运用到风险价值的度量中,设计了一套全新的股指期货波动率预测体系,解决了传统方法中噪声大、极端值损失等原因导致模型预测精度不高的问题。