Un problema de larga data en finanzas matemáticas es acelerar la valoración de opciones, especialmente para opciones de múltiples activos. Un estudio reciente ha propuesto utilizar algoritmos de aprendizaje de tren tensor para acelerar la valoración de opciones basada en la transformada de Fourier (FT), utilizando la capacidad de los trenes tensores para comprimir tensores de alta dimensión. En este estudio, nos enfocamos en otro uso del tren tensor, que es comprimir funciones, incluyendo su dependencia de parámetros. Aquí, proponemos un método de valoración donde, mediante un algoritmo de aprendizaje de tren tensor, construimos trenes tensores que aproximan funciones que aparecen en la valoración de opciones basada en FT con su dependencia de parámetros y calculamos eficientemente el precio de la opción para los diferentes parámetros de entrada. Como prueba de referencia, ejecutamos el método propuesto para valorar una opción de múltiples activos para varios valores de volatilidades o precios de activos actuales. Mostramos que, en los casos probados que involucran hasta 11 activos, el método propuesto supera a la valoración de opciones basada en Monte Carlo con caminos en cuanto a complejidad computacional manteniendo una mejor precisión.