波动率指数（VIX）又被称为恐慌指数,它充分反映了投资者的情绪,是市场形势的晴雨表。因此准确预测波动率指数有助于评估市场的潜在风险,这对于构建有效的投资组合以及金融监管都具有重要的意义。传统的波动率指数预测方法主要有AR、Har以及在两者基础上加以改进的其他线性模型。本文采用的方法除传统的AR和Har模型外,还加入了机器学习的算法来预测VIX指数。文中以1990年1月2日至2017年11月8日共计6993个交易日的1分钟高频数据为样本,选取了标普500指数日收益率、联邦基金利率偏差和企业债信用溢价等7种市场外生变量,采用滚动窗口法从短期（h=1）、中期（h=5,10）和长期（h=22）三个维度对VIX指数进行样本外预测。同时把样本外预测的平均预测误差（MFE）、均方预测误差（MSE）和平均绝对误差（MAE）等指标作为损失函数,并结合Giacomini-White检验来判断不同模型的预测能力大小。此外还选取了 VIX指数波动最剧烈的样本区间进行预测,并从异方差性、自相关性、多重共线性和内生性等角度对实证结果进行检验,最终得出模型的实证结果是稳健的。比较分析实证结果后得出三个主要结论:第一,同一模型在不同时间维度下的预测能力差别较大,其中短期预测能力最强,随着时间维度增加,模型预测能力逐渐减弱。第二,同一时间维度下,不同模型之间的预测能力也存在较大差异。其中短中期预测方面,Har和采用线性核函数的支持向量回归等线性模型效果最好;随机森林和采用高斯核函数的支持向量回归等非线性模型在长期预测方面更具优势。第三,在模型中引入市场外生变量对短中期预测能力的提升没有明显帮助,相反对长期样本外预测帮助较大。本文最后总结了机器学习算法的优劣势,并针对不同的实证场景给出了模型选择的建议。在附录中对回归树模型的具体计算给出了详细的例子并对目前广受欢迎的深度神经网络模型做了简要的介绍。