由于市场固有的嘈杂和非线性特征,对市场行为准确预测成为了一项具有挑战性的任务。使用预测值,可以对资产进行定价,并且可以做出战略决策以获得短期或长期的收益。现在市场上已经有了各种统计预测器,并且可以得到不同的结果。本文首先回顾了包含Black-Scholes模型在内的几种期权定价方法,以及几类机器学习算法的基本原理;之后将常见的四种机器学习算法:支持向量机模型;聚类及支持向量机混合模型;输入预测及支持向量机混合模型;强化学习方法,应用于期权定价的数值计算中,并与Black-Scholes期权定价公式得到的理论价格进行比较。本文主要参考了Deoda,A.[11]和Martin,K.[18]的论述,并进一步深入理解,之后利用实际数据对文中提出的方法加以验证。通过不同方法的结果比较发现,采用聚类和SVR方法的混合模型优于单纯的SVM模型。与其他机器学习方法相比,使用预测输入参数的方法的性能较差。有趣的是,大多数模型的性能都随着我们从ITM期权系列转向OTM期权系列而提高。这可以归结为指数在长期价格水平上总是趋于上升的事实。不过现有的程序非常耗时,因为必须为要定价的每个期权都生成模拟。此外,交易者需要更准确的预测价格来降低期权交易中的风险。