La mayoría de los algoritmos de aprendizaje profundo sobre la predicción de la volatilidad de los precios de las acciones en la literatura existente utilizan datos como indicadores del mercado de la misma frecuencia o indicadores técnicos, y menos consideran datos de diferentes frecuencias, como los macrodatos. En comparación con el modelo tradicional que solo ingresa datos de la misma frecuencia, como indicadores técnicos e indicadores del mercado, este estudio propone un modelo de aprendizaje profundo mejorado basado en grandes datos de diferentes frecuencias. Este documento primero introduce el modelo de muestreo de datos de diferentes frecuencias restringido por reserva (RR-MIDAS) para tratar con los datos de diferentes frecuencias y, en segundo lugar, extrae las características temporales y espaciales de la serie de volatilidad utilizando el modelo paralelo de CNN-LSTM y LSTM, y finalmente utiliza el marco de trabajo Optuna para la optimización de hiperparámetros para lograr la predicción de volatilidad. Para el modelo de aprendizaje profundo con datos de diferentes frecuencias, su RMSE, MAE, MSLE, MAPE, SMAPE y QLIKE se reducen en un 18,25%, 14,91%, 30,00%, 12,85%, 13,74% y 23,42%, respectivamente. Este documento proporciona un método más preciso y robusto para pronosticar la volatilidad realizada de los precios de las acciones bajo datos de diferentes frecuencias.