自从上个世纪70年代以来，国际金融市场最引人瞩目的新动向，就是由金融创新而导致的金融衍生市场(Derivative Market)的“爆炸性”增长。这一庞大的金融衍生品市场不仅在规避风险、履约保证金、买空卖空、投机等诸多领域与基础市场(Underlying Market)存在较大的差异，而且具有基础市场所不具备的套期保值、价格发现、减少信息不对称性和降低交易成本等独特功能。因此金融衍生品市场是在基础市场之外形成的一个具有风险分散和转移功能的另类市场。目前，世界各主要衍生交易所的各类衍生工具价格已经成为市场经济国家价格体系的重要组成部分。创造并运用这些金融衍生工具来解决所面临的金融问题，已经成为国际金融业和跨国公司必须具备的专业知识和技术。在我国，随着改革开放的进一步深化，以及海外中国金融衍生产品的不断推出，创设金融衍生工具，推动金融创新，已成为刻不容缓的重要课题。期权理论是20世纪世界经济学领域最伟大的发现之一。由于期权具有良好的规避风险、风险投资和价值发现等功能，且表现出灵活性和多样性特点，故近20年来，特别是上个世纪90年代以来，期权成为最有活力的衍生金融产品，得到了迅速发展和广泛的应用。期权定价的应用前景广阔，凡具有“或有索偿权”问题、“选择权”特征的问题，都可以纳入期权理论的框架来分析。本文就是对期权定价以及隐含波动率性质的研究。具体内容安排如下： 第一章，绪论：介绍了本论文的研究背景，指出了在我国应及早引入各种金融衍生产品的重要性和意义，讨论了对期权定价理论进行研究的必要性，特别是对利用人工智能对期权定价进行研究的必要性进行了探讨。 第二章，介绍了期权的基本概念、期权的基本性质、Black-Scholes期权定价模型，对期权定价模型的文献进行了综述。 第三章，对几个参数化模型进行了实证检验。在Heston(1993)提出的随机波动率模型的文献中，其定理证明有误，本文给出正确证明；为了能够用一个扩展的Black-Scholes模型形式来表达非正态的偏度和峰度对期权价格的影响，Corrado and Su(1996)将密度函数用正态分布的密度函数的Gram-Charlier扩展级数来表示。通过这种扩展的密度函数，Corrado and Su得到了欧式期权价格。它是Black-Scholes模型价格和非正态的偏度和峰度所导致的调整项之和。本文经过推导，认为其推导结论有误.并给出了修正的Corrado and Su模型。Gram-Charlier级数有无穷多项，Corrado and Su仅取了前四项，但是更高阶的级数项有可能提高期权价格预测的精度，因此本文对Corrado and Su模型进行了推广，得到了推广的Corrado and Su模型；介绍了Madan D.B与Chang E.(1998)提出的三参数Variance Gamma模型；最后本文在香港衍生品市场对Heston的随机波动率模型、修正的Corrado and Su模型、推广的Corrado and Su模型、三参数Variance Gamma模型和Black-Scholes模型进行了实证检验。 第四章，对神经网络进行了概述，介绍了BP神经网络的结构、基本原理和计算过程。波动率的估计是影响期权价格的重要因素之一。Yao等在对亚洲期权市场Nikkei225的研究过程中，使用的神经网络为BP神经网络，输入变量为S(标的资产价格)，X(行使价格)，T-t(到期日)；输出变量为C(期权价格)。作者认为标的资产价格S已经包含了过去资产价格的波动信息，因此不需要加入新的输入变量。但是考虑到隐含波动率(implied volatility)表明了市场参与者对未来金融市场波动的一种预期，而净未平仓量(net open interest)反映了市场卖方和买方交易期权的活跃情况，而这些仅仅通过标的资产价格S无法得到反映，因此本文将不同的隐含波动率和净未平仓量作为输入变量，采用的神经网络为BP神经网络，最后通过对香港衍生品市场的实证表明，本文所提出的新的输入变量的神经网络模型的预测结果最为精确。 第五章，介绍了小波分析的发展历史和基本原理，提出了一种新的基于Black-Scholes模型的混合小波神经网络，并给出了相应的学习算法求解小波函数的伸缩因子，平移因子和网络的权值，通过混合小波神经网络，Black-Scholes模型，标准BP神经网络，混合BP神经网络和小波神经网络来预测香港恒指买权的价格，实证结果表明，本文所提出的混合小波神经网络模型的预测结果要优于BP神经网络，混合BP神经网络，小波神经网络和经典的Black-Scholes模型。因此该模型可以有效地用来预测欧式期权的价格。 第六章，对遗传算法进行了概述，介绍了遗传算法的基本原理。隐含波动率表明了市场参与者对于未来金融市场的波动的一种预期，因此有可能包含未来金融市场波动的信息。考虑到这一点，本文将上一个交易日的期权的隐含波动率作为预测这一天的期权价格的重要依据。另外考虑到本文所用的是上一个交易日期权的隐含波动率，即上一个交易日市场对于未来金融市场波动的一种预期，但是从上一个交易日收盘到这一个交易日开盘，即海外市场的隔夜的影响也许会很大，因此本文提出了一种加权的隐含波动率作为神经网络的输入变量，建立了混合小波神经网络和遗传算法相结合的模型，通过遗传算法求取最优权重，最后对香港衍生品市场进行了实证研究。 第七章，由于波动率微笑现象的存在，不同种类的期权的隐含波动率不同，如何衡量不同种类期权的隐含波动率的最优权重一直是期权定价领域中的重要问题。建立了小波神经网络和遗传算法相结合的模型，将期权按钱性进行分类，提出了加权的隐含波动率作为神经网络的输入变量，通过遗传算法来求取不同种类期权的隐含波动率的最优权重。在香港衍生品市场的实证中表明，本文所提出的模型要优于传统的Black-Scholes模型。 第八章，对全文进行了总结，并提出了需要进一步研究的方向。