W niniejszym artykule opracowujemy hybrydowe podejście do prognozowania zmienności i ryzyka instrumentów finansowych, łącząc ekonometryczne modele GARCH z głębokimi sieciami neuronowymi. Wykorzystujemy sieci Gated Recurrent Unit (GRU) oraz cztery różne specyfikacje GARCH: standardowy GARCH, EGARCH, GJR-GARCH i APARCH. Modele testujemy na dziennych zwrotach indeksu S&P 500 i cenach Bitcoina. Jako główny estymator zmienności oraz funkcję celu modeli hybrydowych stosujemy zmodyfikowany estymator Garmana-Klassa. Prognozy zmienności z modeli hybrydowych używamy do oceny ryzyka aktywów za pomocą Value-at-Risk (VaR) i Expected Shortfall (ES). Korzyści płynące z połączenia podejść GARCH i GRU omawiamy w kontekście prognoz zmienności i ryzyka. Można stwierdzić, że rozwiązania hybrydowe zapewniają dokładniejsze prognozy zmienności punktowej, choć niekoniecznie przekłada się to na lepsze prognozy ryzyka.