随着经济的发展和人民生活水平的提高,企业和个人迫切需要进行各种投资以使得其收入和资产得到保值和增值。股票、期货、外汇、黄金、基金等金融产品层出不穷。人们在投资这些金融产品时,可以获得较为高额的收益,但是也可能导致很大的损失。金融市场的危险无处不在,所以人们在投资时都需要面对一个问题,就是如何在追逐着丰厚收益的时候对其带来的风险进行评估与控制。投资组合是一种财务概念,可以组合多个股票以降低风险。投资组合技术主要研究的是如何对金融资产进行合理的选择和配置,以达到收益率最大化与风险最小化之间的平衡。从马科维茨提出现代投资组合理论开始,研究者们对其在各方面进行了改进和优化,促进了投资组合理论和实际应用的发展。聚类一种无监督的机器学习方法,它的目标是将具有相似特征的个体划分到同一个簇中,并在数据中挖掘有意义的信息。在本文中,我们主要研究如何将聚类方法和技术与投资组合技术相结合,主要的研究内容包括下面的几点。（1）提出了一种基于聚类的投资组合分析框架要选择投资组合的基本成员,我们可以考虑将聚类的思想用到投资组合的构建中去。本文提出了一种新的思路,首先基于聚类将股票分为多个簇,然后从每个簇中选取代表,用这些簇代表构成投资组合。并用本文中提出的聚类评价指标,评估此投资组合的效果,简化分析,为实际操作提供指导。（2）提出了一种基于有效前沿的聚类效果评价指标本文提出了一个聚类评价指标,名为IBEF（Index Based on Efficient Frontier）,用于评价股票聚类。这个指标基于有效前沿的理念,并通过计算两条有效前沿之间的差异得出评分。为了研究IBEF的特性,在本文中我们对其进行了若干实验。我们将IBEF与其他聚类评价指标进行了对比,研究了它的特性;利用人工将股票分为明显较好的结果和较差的结果,验证了其优劣判断能力;最后在簇数对IBEF的影响方面进行了实验。（3）提出了一种簇代表选择方法本文提出了一种新的簇代表选择方法MDR（Maximum Distance Representatives）。MDR选择与其他已选择的代表有最大距离的样本做为簇代表。MDR方法可构建更多样化的投资组合。我们通过IBEF来评估簇代表选择方法的有效性,通过与其他算法对比验证MDR的性能。最后,对本文所做的工作进行了总结,并对今后的工作进行了展望。