给交易模型加上更复杂的神经网络，不等于风险预测就会更准。Reddit 用户 lexicalmaze 用同一份数据和同一套走步检验，比较了 GARCH、LSTM 和一个小型 Transformer。走步检验就是按时间顺序反复用过去训练，再预测紧接着的未来，更接近真实上线，也能避免模型“偷看”未来。
结果是，经典 GARCH 很难被稳定击败。GARCH 用过去的波动和预测误差推算未来波动，专门捕捉“大波动往往接着大波动”的现象。作者称，LSTM 和 Transformer 只在高波动时期略有优势；多数时候，三者差距落在噪声范围内，但深度模型的训练和维护成本高得多。
这不是正式论文，也未披露数据、预测周期、特征或具体误差，因此不能据此断言 GARCH 普遍胜出。更实用的提醒是：先把简单基准和样本外检验做扎实，复杂模型只有稳定带来额外预测价值时才值得用。