为了解决深度神经网络作为“黑箱”模型缺乏量化预测不确定性的能力以及贝叶斯深度网络受限于正态分布假设的问题，本文提出了一种基于广义双曲线分布的贝叶斯深度网络模型，并实证检验了模型的有效性。在金融市场上的检验结果显示，与正态分布假设相比，模型在 GH 分布假设下的预测性能显著提升，且网络结构引起的不确定性较小。本文提出的模型为非线性时间序列分析提供了一类更普适的范式。