改革开放以来,我国的金融衍生品市场迅速发展,金融衍生产品也从最基础的规避风险的作用慢慢起到套期保值的作用,了解金融衍生工具的定价中具有现实意义。计算机算力的提升标志着云时代的来临,我们面临的数据在维度、数量和结构上都呈爆发式增长,高度并行化的云计算方式和大数据仓库让高维度、多深度的神经网络训练成为可能。根据投资者风险分散理论,投资者为了规避风险会采取组合式投资的方式,因此期权定价问题也面临着对多资产、高维度投资组合的如何定价的问题,如何将深度学习与其建立有效的联系是解决定价问题的关键所在。本文研究了期权定价过程中组合式期权投资的问题,借助Black-Scholes期权定价模型,分别针对期权定价过程中所产生的组合式资产结构配置的反问题、投资组合整体风险量化的反问题、组合式期权定价问题进行了深入研究。通过数据挖掘与模型训练,针对本文所研究的内容,得到如下结论:首先,本文研究了组合式期权定价过程中确定资产结构的反问题。本文首次采用深度FCN算法解决期权定价问题中资产结构的反问题,通过构造投资组合中的资产信息作为资产池,形成一种动态数据结构,不仅充分考虑了资产的信息熵收益也得到深度FCN网络模型的训练数据,并且利用动态数据矩阵的输入模式,在满足模型时效性与效率性的条件下,充分挖掘资产价格的数据信息,同时将深度FCN模型与传统CNN网络模型进行对比,论证了深度FCN网络模型的有效性,得到了在样本内和样本外都具有精确性及时效性的资产配置模型,为投资者提供了准确、有效的投资依据。其次,本文研究了期权定价问题中组合式投资的整体风险的反问题。承接上述研究中已确定构成期权投资的组合式资产结构,利用Tushare数据库中的数据支持,以数据为驱动,同时考虑数据的微观与宏观因素的影响,采用改进的深度FCN网络作为基础的数据驱动模型,借助Black-Scholes期权定价模型反推出期权定价模型中投资组合的整体风险系数,将神经网络模型的逆推结果与Markowitz均值-方差模型所求的风险结果进行对比,证明深度FCN模型结果的有效性,同时克服了传统模型在计算效率低、结构复杂等方面的弊端,从而解决在期权定价过程中投资组合整体风险的反问题,得到完整的期权定价模型。最后,本文研究了期权定价问题中组合式期权投资的定价问题,并利用深度FCN算法求解高维度Black-Scholes期权定价模型。相比于前面的问题进行了更深入的研究,使得具有高维度、多结构的组合式期权定价问题更加复杂,因此在构造神经网络并进行模型求解时与前面会有所不同。在保证Tushare数据库期权数据支持的前提下,由倒向随机方程与Black-Scholes期权定价模型的关系为切入点,推导出带有随机过程的期权定价模型形式,将模型参数转换为神经网络参数构,造出神经网络模型的参数矩阵,利用深度FCN神经网络的函数逼近能力求解得到投资组合的期权价格。