Волатильность финансовых временных рядов играет ключевую роль при построении моделей для оценки стоимости производных финансовых инструментов, управления рисками, а также оптимизации инвестиционных портфелей. В ряде случаев динамика волатильности характеризуется значительной нелинейностью, что подразумевает, помимо кластеризации во времени и высоких значений коэффициента эксцесса, асимметрию отклика волатильности на шоки разных знаков. В работе рассмотрены три широко применяемые модели из GARCH-семейства, нейросетевая GARCH-модель, предложенная Р. Дональдсоном и М. Камстрой, а также построенная авторами настоящей статьи "чистая" двухслойная нейросетевая модель в целях предсказания условной волатильности основных фондовых индексов (SP 500, FTSE 100, NIKKEI 225 и Hang Seng). Модели сравниваются в терминах предсказательной силы вне обучающей выборки с использованием популярных статистических критериев. В качестве аппроксимации истинной условной волатильности применяется реализовавшаяся волатильность, вычисленная по внутридневным данным. Полученные результаты свидетельствуют о том, что с помощью построенной авторами настоящей работы "чистой" нейросетевой модели можно прогнозировать условную волатильность не хуже, а в ряде случаев и лучше, чем с использованием популярных моделей из GARCH-семейства.