El aprendizaje profundo ha llamado la atención en gran medida en el campo financiero debido a su poderosa capacidad en el ajuste no lineal, especialmente en los estudios de fijación de precios de activos. En este documento, propusimos un modelo de fijación de precios de opciones de memoria a largo plazo con sesgo realizado al considerar completamente la asimetría del rendimiento de los activos en los mercados emergentes. Se aplicó para fijar el precio de las opciones ETF50 de China. Con el fin de enfatizar la mejora de este modelo, se realizó una comparación con un método paramétrico, como Black-Scholes (BS), y métodos de aprendizaje automático, como máquina de vectores de soporte (SVM), bosques aleatorios y red neuronal recurrente (RNN). Además, también se tuvo en cuenta la característica de la cola pesada y se estudió el efecto de la curtosis realizada en la fijación de precios para demostrar la robustez del sesgo. Los resultados empíricos indican que el sesgo realizado mejora significativamente el rendimiento de fijación de precios de LSTM entre los estados de monedas, excepto para las opciones de compra en el dinero. Específicamente, el modelo LSTM con sesgo realizado supera al método clásico y a otros métodos de aprendizaje automático en todas las métricas.