自Black、Scholes和Merton以来,引入跳跃、随机利率、随机波动率等参数的改进模型层出不穷,旨在更好地刻画金融资产的尖峰厚尾特征与解释市场异象。这些结构化参数期权定价模型的优点是具有经济直观性与丰富的经济学意义,但缺点是其基于假设的严格,缺乏灵活性,且模型复杂不易处理。一方面,近年来随着计算机与人工智能的发展,特别是对于大数据的获取与应用,使得各种依靠数据挖掘的方法变得流行起来。已经有许多学者采用机器学习或者深度学习对期权进行定价,这些数据驱动的非参数期权定价模型具有灵活性与易处理性,但缺乏经济解释力。混合神经网络是一种兼顾了两者优点的集成模型,在期权定价模型中得到了广泛的关注和研究。另一方面,投资者情绪是影响金融资产均衡价格的系统性风险,许多学者的实证表明在期权市场上也是如此,并且在标的市场上的套利限制又会使得此影响进一步扩大。考虑到这两个因素对期权价格的影响,本学位论文将投资者情绪与套利限制引入混合神经网络,对期权定价问题进行了研究。首先,针对混合神经网络中的结构化参数模型部分,本文在Heston模型的基础上同时将随机利率与混合指数跳引入模型。并且考虑到金融市场中已存在的负利率事实,因此不同于经典的CIR假设,本文放松了利率不能为负的限制,假定其满足Hull-White过程,提出了HHM模型。在该模型的求解方面,本文推导了含对数价格特征函数的定价半闭解,并采用FFT方法进行计算。数值分析的结果表明,本文提出的结构化参数模型较好地捕捉了尖峰厚尾、盈亏不对称等市场特征与隐含波动率曲面形态。其次,本文构建了输入混合神经网络的两大关键特征变量:期权投资者情绪与套利限制程度。将期权成交量、持仓量、换手率、看跌/看涨比、标的历史波动率、百度搜索指数通过主成分分析综合为日度期权投资者情绪指标;将期权平价公式计算出的差额作为度量套利限制的代理变量。在此基础上,本文设计了数据驱动的非参数模型部分——前馈神经网络的架构,讨论了混合神经网络的集成方式,并给出了考虑投资者情绪与套利限制的混合神经网络期权定价模型的定价全流程。最后,本文利用上证50ETF的期权市场的相关数据,应用本文提出的改进的混合神经网络模型进行实证分析。过程为:1)获取所有所需数据,包括上证50ETF期权合约与交易统计数据、其标的华夏上证50ETF基金数据、百度指数等;2)对HHM模型进行参数校准,并通过FFT计算HHM模型价格与定价误差;3)计算数据样本时期的期权投资者情绪指标与套利限制程度指标;4)使用混合神经网络进行学习、预测,并通过MAPE和RMSE指标衡量了模型的定价精度;5)稳健性检验,与其他9个期权定价模型进行对比,分析结果。最终的实证结果表明,相比于未考虑或只考虑单个因素的模型,本文提出的模型能较好地捕捉定价误差,具有更高的定价精度。