在金融市场,股市波动率的研究对于投资者和监管者而言具有重要的参考意义。波动率的研究实则为金融时间序列的预测研究,通常采用传统的GARCH模型进行预测,但是该模型使用的数据是低频数据,难以捕捉更多的金融有效信息。现有诸多学者采用基于高频数据的HAR-RV模型与之对比,发现该模型预测精度较GARCH模型而言有所提升。随着深度学习算法在金融界的逐步拓展,越来越多的金融时间序列预测问题被证实可以用深度学习算法较好的拟合预测。由于目前深度学习算法预测的对象多为股票价格,故本文尝试将深度学习算法应用于股市波动率的预测研究,因此选用适合于时间序列的神经网络GRU模型,对中国股票市场的波动率进行预测研究。已有研究表明新闻媒体对股市波动存在影响,在此背景下,如何将新闻信息对股市波动的影响提取出来用于波动率的提升预测成为新的研究方向。本文将基于新闻文本大数据,通过构建情感词典、量化情绪指标的方式,提取新闻文本信息,并将其加入到基于高频数据的HAR-RV模型和GRU模型中,形成其扩展模型。此外,本文以损失函数法和MCS检验法为评价体系,将模型两相比较,判定新兴的深度学习算法是否在股市波动率预测方面有更加出色的预测表现,同时判定加入新闻情绪指标的模型预测效果是否优于未加入新闻情绪指标的模型。最后,本文以沪深300指数为样本进行实证研究,研究结果显示:基于高频数据的HAR-RV模型和GRU模型的预测结果显著高于基于低频数据的GARCH模型;同在高频数据下,GRU模型较经典的HAR-RV模型,其预测结果更佳,且加入新闻情绪指标确可提升股票已实现波动率模型的预测效果。