社保基金是我国重要的社会保障战略储备金,事关我国养老金支付缺口的及时补充,随着我国人口老龄化持续加剧,社保基金必须保证资金安全、实现收益增长。但在当今国际形势动荡和金融市场全球化的背景下,社保基金的投资运营面临诸多风险,导致其投资收益波动剧烈、存在负增长。基于社保基金必须实现保值增值的特点,社保基金投资风险管理能力亟待提高,而风险管理链上最为重要的一环是如何准确评估风险,即准确度量风险价值。因此,本文从提高度量准确性的角度进行社保基金风险价值度量研究。得益于风险管理理论的完善和人工智能技术的进步,社保基金风险价值的度量研究逐渐发展,主流的方法为基于Mento Carlo模拟法的在险价值（VaR）方法,其中的波动率估计部分由采用传统计量模型拟合向采用深度学习模型预测发展。由于社保基金已实现波动率序列通常呈现复杂的非线性波动,广义自回归条件异方差（GRACH）等传统计量模型受自身假设和参数限制,不能较好的挖掘波动率规律,从而度量社保基金风险价值的准确度有限。而深度学习模型因其具备非线性拟合、特征提取及学习能力强等优点,能够基于多维特征数据提高波动率预测的精确性,从而更准确的度量风险价值。卷积神经网络（CNN）适合提取数据的局部特征,门控循环单元（GRU）神经网络适合进行时间扩展,较长短期记忆（LSTM）神经网络内部结构简化,注意力机制可以避免长期信息丢失问题,组合模型在金融时序数据预测中精度最高,可以借鉴以应用于社保基金已实现波动率预测及风险价值度量中。因此本文为了使社保基金的风险价值度量更加科学准确,采用深度学习模型预测已实现波动率的Mento Carlo模拟法计算VaR,得到基于CNN-GRU改进的MC-VaR模型,将其应用于社保基金风险价值度量研究,具有一定的理论和现实意义。本文的研究内容主要为三部分:第一,指标体系构建。构建了包含量价指标、情绪指标、已实现波动率指标的指标体系作为模型的输入特征。第二,波动率预测模型及对比模型构建。构建CNN-GRU改进模型预测已实现波动率,在CNN-GRU网络层后设置注意力机制层作为改进,通过权重分配使模型聚焦于重要时间的特征信息。设计不同指标体系和不同深度学习模型的对比实验,以验证指标体系构建和预测模型构建的有效性。第三,风险价值度量及检验。构建CNN-GRU改进的MC-VaR模型,在Mento Carlo模拟法中引入已实现波动率的预测值,进一步与MC-VaR模型对比,最终采用Kupiec检验度量效果。实验证明,本文构建的包含情绪指标的指标体系更优,提出的CNN-GRU改进模型在已实现波动率预测上均优于其他七种模型,基于CNN-GRU改进的MC-VaR模型通过检验且度量准确性明显提升。本文的创新点主要有三点:一是特征指标体系的丰富。在量价指标和基于日内高频数据计算的已实现波动率指标的基础上,结合社保基金特点,选取基于百度指数的情绪指标纳入指标体系。二是社保基金波动率预测方面的创新。将CNN-GRU神经网络应用于社保基金已实现波动率的预测研究上,并创新地加入注意力机制进行改进,提高了预测精度。三是风险价值度量方面的创新。从波动率估计方面对Mento Carlo模拟法进行改进,将CNN-GRU改进模型预测的已实现波动率代替原值,构建了基于CNN-GRU改进的MC-VaR模型,提升了社保基金风险价值的度量准确性。本文基于CNN-GRU改进模型的社保基金风险价值度量研究取得了较好的效果,但仍存在一些不足。如在数据指标方面可以探索加入多模态数据进行挖掘,在参数设置方面可以试验更多参数优化方法,在模型应用方面尝试更丰富的金融场景等。在后续的研究中可以尝试加入文本数据、引入寻优算法等加以改进,以提高模型的准确性和泛化性。