La fijación de precios razonable de las opciones puede ayudar eficazmente a los inversores a evitar riesgos y obtener beneficios, lo que juega un papel muy importante en la estabilidad del mercado financiero. El modelo tradicional de fijación de precios de opciones únicas a menudo no cumple con las expectativas ideales debido a sus condiciones limitadas. Combinar un modelo económico con un modelo de aprendizaje profundo para establecer un modelo híbrido proporciona un nuevo método para mejorar la precisión de predicción del modelo de fijación de precios. Esto incluye el uso de datos históricos reales de aproximadamente 10,000 conjuntos de opciones del ETF CSI 300 desde enero hasta diciembre de 2020 para análisis experimental. Enfocándose en el problema de predicción de la fijación de precios de opciones del ETF CSI 300, basado en la importancia de las características del bosque aleatorio, se combina la Red Neuronal Convolucional y el modelo de Memoria a Largo y Corto Plazo (CNN-LSTM) en aprendizaje profundo con un modelo típico de volatilidad estocástica de Heston y un modelo de intereses estocásticos CIR en modelos paramétricos. Se establece el modelo de fijación de precios dual híbrido de la opción de compra y la opción de venta del ETF CSI 300. El modelo dual-híbrido y el modelo de referencia se integran con regresión de cresta para mejorar aún más el efecto de pronóstico. Los resultados muestran que el modelo de fijación de precios dual-híbrido propuesto en este documento tiene alta precisión, y la precisión de predicción es decenas a cientos de veces mayor que la del modelo de referencia; además, el MSE puede ser tan bajo como 0.0003. El artículo proporciona un método alternativo para la fijación de precios de derivados financieros.