Este estudio tiene como objetivo mejorar la predicción de la volatilidad en los mercados financieros mediante el desarrollo de un modelo híbrido novedoso que integra modelos de heterocedasticidad condicional autorregresiva generalizada (GARCH) y redes neuronales de memoria a corto y largo plazo (LSTM). Utilizando datos de alta frecuencia, primero estimamos la volatilidad realizada como una medida robusta de la volatilidad. Luego alimentamos las salidas de múltiples modelos GARCH en una red LSTM, creando un modelo híbrido que aprovecha las fortalezas de ambos enfoques. La volatilidad predicha por el modelo híbrido se utiliza para generar señales de estrategia de trading, que posteriormente se utilizan para construir una estrategia de inversión. El análisis empírico utilizando el conjunto de datos del Índice de Valores de China 300 (CSI300) demuestra que el modelo híbrido mejora significativamente el rendimiento de predicción del valor en riesgo (VaR) en comparación con los modelos GARCH tradicionales. Los hallazgos de este estudio tienen amplias implicaciones para la gestión del riesgo en los mercados financieros, sugiriendo que los modelos híbridos que incorporan modelos matemáticos y mecanismos económicos pueden mejorar la fijación de precios de derivados, la gestión del riesgo de cartera, las transacciones de cobertura y los sistemas de alerta temprana de riesgo sistémico.