对互联网货币基金收益率进行预测,在此基础上可对其风险特征进行更多的分析,促进基金的稳定发展。旨在对互联网货币基金的收益率作出分析预测,以提高风险分析的准确性。GARCH模型具有良好的处理线性问题的能力,本文首先建立了基于GARCH模型的互联网货币基金收益率的预测模型,分析了利用GARCH模型拟合收益率的优缺点。由于互联网货币基金的独特风险,模型对于极端值的捕捉并不理想。其次,建立了基于BP神经网络的收益率预测模型,利用BP神经网络的非线性特征,实现了对收益率较好的预测,但整体效果并不如预期。再次尝试结合GARCH模型的线性处理能力和BP神经网络的非线性处理效果,建立基于BP-GARCH模型的收益率预测模型,该模型在拟合极端值能力上有了明显提高。最后,为了提高BP神经网络模型的泛化能力,利用AdaBoost算法进行优化,实现对多个BP神经网络的互补组合,加大预测效果较好的BP神经网络的权重,实证表明改进的BP-AdaBoost算法对收益率的拟合预测效果在整体上要好于其它三个模型。利用平均绝对误差(MAE)、均方误差(MSE)、平均误差(ME)、定向精度(DA)四个指标作为标准对模型进行评估。比较各模型对于互联网货币基金的收益率预测的优劣。结果表明基于BP-GARCH的组合模型和由AdaBoost算法优化的BP神经网络模型对收益率的波动拟合较好,具有较高的准确度。