随着经济全球化的不断发展,企业经营业务和经营手段也发展变化,致使企业价值类型不断增加和创新,企业面临的未来不确定性因素越来越多以及企业柔性管理变得日益凸显。广泛应用于企业价值评估的传统方法不能估计企业不确定性变化带来的隐含价值,因此不能有效地进行企业价值评估分析。实物期权方法可以估算出这部分隐含的价值,也即实物期权价值。企业的实物期权价值构成企业价值的主要部分。Black-Scholes模型是企业用于价值评估的比较流行的实物期权定价工具。然而,由于Black-Scholes模型的前提假设非常严苛,主观性和模糊性很强,因此不能准确高效地进行评估,这使得该模型在实际应用中受到很大的局限。针对以上实物期权本身固有的问题,近几年来虽然很多学者已经结合多种算法对实物期权方法进行了改进和优化,且都大大提高了实物期权定价模型的准确性,但是由于BP神经网络自身的缺陷使模型仍然达不到最佳的效果。本人在此前学者研究的基础上,引入了极限学习机(Extreme Learning Machine,ELM)的算法对实物期权模型进行改进,该种算法大大提高了训练速度和预测精度。那么鉴于极限学习机的诸多优点,将其应用在实物期权定价模型上对该模型进行改进,最后将基于极限学习机改进后的实物期权定价模型与基于BP神经网络改进后实物期权定价模型进行对比,我们可以得到更加有效的结果。本文尝试采集上市公司样本数据,运用改进后的实物期权定价模型进行实证分析,应用Matlab软件进行仿真,对比基于BP神经网络改进后的实物期权模型和基于ELM改进后的实物期权模型仿真结果,可知后者更为有效。从定性和定量的角度来证明改进模型的有效性,因此,引入极限学习机对实物期权定价模型进行改进,对研究企业股权价值评估及项目投资决策分析具有十分重要意义。