¸ l'aide d'un modèle de réseaux de neurones, nous estimons une formule d'évaluation d'option généralisée qui a une forme fonctionnelle similaire à la formule de Black-Scholes habituelle. Cette forme fonctionnelle s'obtient lorsque le prix d'option est une fonction homogène de degré un par rapport au prix de l'actif sous-jacent et au prix d'exercice. Nous montrons que cette forme généralisée de Black-Scholes nous permet de prévoir plus précisément les prix d'options. Au lieu de construire notre réseau d'apprentissage en entrant directement le rapport prix de l'actif sous-jacent / prix d'exercice et l'échéance dans la fonction de prix, nous décomposons cette dernière en deux parties, l'une contrôlée par le rapport prix de l'actif sous-jacent / prix d'exercice l'autre par une fonction de l'échéance. Les résultats indiquent que la forme fondée sur l'homogénéité permet toujours de réduire l'erreur quadratique moyenne de prévision hors échantillon par rapport à un réseau de neurones n'utilisant pas l'homogénéité. Les deux réseaux, avec ou sans l'homogénéité, produisent des erreurs de couverture comparables qui sont petites par rapport à la performance de couverture du modèle de Black-Scholes. Toutefois, le modèle fondé sur l'homogénéité produit une performance de couverture plus stable.