Séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, sua própria volatilidade consiste em importante informação para o mercado. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (one hidden layer feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, um modelo híbrido que combina o modelo GARCH com redes neurais é inovadoramente proposto. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante às estimativas dos tradicionais modelos GARCH, entretanto suas diferenças qualitativas são atrativas.