金融资产的波动率预测一直是学术界研究的热点问题。传统的低频和高频波动率预测模型通常是基于时间序列数据构建的,而随着机器学习和深度学习在多个领域取得瞩目成就,如何借鉴这些领域中的研究成果同时结合传统时间序列模型的优势用于提高波动率预测精度,需要进一步深入研究。当前世界宏观经济受到新型冠状病毒疫情冲击和国际原油价格影响,世界范围内的金融风险不断加剧,因而寻找合适的工具进行金融风险管理变得尤为重要。随着国内期权市场的不断发展,金融期权和商品期权的种类和规模日益增长,期权具有杠杆性,收益非对称等特性,合理利用期权投资,能够降低投资组合风险,提高投资组合收益。在期权定价和期权投资套利策略构建中波动率均是不可忽略的影响因素,因而投资者如何更好利用波动率信息进行期权投资策略的构建也值得深入研究。本文首先利用金融高频价格数据计算已实现波动率,将其作为金融资产波动率的度量,通过将高频波动率序列数据、技术指标信息和传统时间序列模型参数这三类不同维度信息作为深度学习LSTM模型的输入特征,构建LSTM-HIT波动率预测模型。其次,将LSTM-HIT结合半参数极值理论,构建LSTM-HIT-EVT风险度量模型,用于VaR风险管理;将LSTM-HIT波动率预测结果生成波动率策略信号,构建期权波动率套利策略,进行期权投资。最后,利用上证综合指数5分钟高频数据、50ETF5分钟高频数据和50ETF日度期权数据,进行上述模型的实证分析,并与八种常见的机器学习模型和六种传统时间序列模型进行比较分析。实证分析的结果表明:（1）基于多维特征信息,构造的LSTM-HIT预测波动率模型,比LSTM-H模型、机器学习模型和传统时间序列模型,对波动率的预测更加准确。（2）基于LSTM-HIT模型和半参数极值理论EVT方法,构造的LSTMHIT-EVT风险度量模型,相对于本文其他VaR模型,在条件覆盖统计检验结果和三类损失函数下的MCS检验结果的预测效果整体上是最优的,LSTM-HITEVT是一个有效的风险度量模型。（3）基于LSMT-HIT构建的波动率套利策略,相对于本文其他策略,在收益和风险指标上的表现均是所有模型中最优的,基于深度学习LSMT-HIT构建的波动率套利策略具有优势。