第一章 引言：VaR预测的困境与新范式需求风险价值（Value at Risk, VaR）作为现代金融风险管理的基石指标，自JP Morgan于1994年推出RiskMetrics以来，一直是监管资本计算、内部风险限额设定及衍生品对冲的核心依据。其本质是在给定置信水平（通常为95%或99%）下，衡量投资组合在未来特定持有期内可能遭受的最大损失。然而，VaR的准确预测始终面临三重根本性挑战：波动率的时变性（volatility clustering）、收益分布的非对称厚尾特征（leptokurtosis and skewness），以及金融时间序列的非线性长程依赖（nonlinear long-range dependence）。传统VaR估计方法可归为三大流派：历史模拟法（HS）、参数法（如RiskMetrics指数加权移动平均）及极值理论（EVT）。其中，广义自回归条件异方差（GARCH）族模型因其对波动率动态的简洁参数化描述，长期占据主流地位。但GARCH模型固有缺陷同样显著——其线性结构难以捕捉收益率与波动率之间的非线性反馈机制，且对结构突变和极端事件的响应存在显著滞后。深度学习，尤其是长短期记忆网络（LSTM），凭借其门控机制对时序信息的长期记忆能力，在金融预测领域展现出巨大潜力。但纯粹的数据驱动黑箱模型在金融领域面临过拟合风险高、可解释性差、小样本表现不稳定等现实障碍。由此，混合建模思想应运而生：用GARCH捕捉波动率的线性动态基底，用LSTM拟合GARCH残差中的非线性高阶依赖，两者协同构成“线性基底+非线性增强”的双层架构。本文旨在构建一套完整的GARCH-LSTM混合VaR预测系统，涵盖理论推导、模型设计、PyTorch实现、滚动回测框架及绩效评估，并以沪深300指数与标普500指数的组合为测试载体，验证模型在正常市场与极端波动环境下的预测优势。全文代码实现基于Python生态的arch包（v7.0.1）与PyTorch（v2.5.0），所有回测均采用严格的样本外滚动窗口设计，确保结果无前视偏差。目录第一章 引言：VaR预测的困境与新范式需求第二章 理论基础与文献述评2.1 VaR的数学定义与一致性公理2.2 GARCH族模型的演进与局限2.3 LSTM在金融时序预测中的适配性2.4 混合模型的协同逻辑：文献中的主流架构第三章 模型架构与算法设计3.1 整体系统架构3.2 GARCH基底配置与arch包实现3.3 LSTM网络结构与PyTorch实现细节3.4 混合预测公式与VaR分位数校准3.5 投资组合层面的聚合第四章 实验设计与数据描述4.1 数据来源与清洗4.2 滚动窗口设计4.3 回测框架搭建4.4 评估指标体系第五章 实证结果与深度分析5.1 全样本整体表现5.2 不同波动 regime 下的表现分化5.3 残差分析：LSTM到底学到了什么？5.4 回测中的计算效率与稳定性第六章 挑战、局限与改进方向6.1 计算复杂度的现实约束6.2 分布假设的剩余风险6.3 多资产协方差结构的缺失6.4 可解释性与监管接受度