投资组合优化是从所有投资组合中选择最佳投资组合的过程,该过程的目标是使收益最大化和风险最小化之间达到平衡。作为投资者,有两个决策目标:一是在给定的风险下获得尽可能高的收益;二是在预期收益下获得尽可能低的风险。在投资组合理论中,最典型的就是Markowitz的均值方差模型,但因其依赖于特殊概率分布并对参数高度敏感,参数的细微变动可能使决策结果产生很大的变化。所以,可有效处理参数不确定性问题的鲁棒优化方法受到了广泛重视。鲁棒优化方法考虑最坏情形下做最优的投资决策,它可以降低对数据噪音的敏感程度,是一种稳健的决策方法,在投资组合优化中受到越来越多的重视。分布鲁棒优化是其中一种重要鲁棒优化模型。本文在分布鲁棒优化模型的基础上,提出了一种基于聚类和核密度估计的分布鲁棒均值-CVa R模型。该模型考虑在聚类分析的基础上研究投资组合问题。研究过程主要分为两个阶段:首先,通过K-means聚类算法对资产收益数据集进行降维处理,采取横向聚类、纵向距离和交叉聚类三种方法进行对比实验。横向聚类即对资产数目进行聚类,纵向聚类即对资产情景进行聚类,交叉聚类结合了横向聚类和纵向聚类两种聚类形式。针对K-means算法中初始K值选择的问题,本文利用改进的手肘法进行确定,同时采用轮廓系数值结合整体误差上限对每个窗口下的最佳K值进行滚动选择,使得模型效果达到最佳。然后,我们将聚类后的资产数据集作为KDE分布鲁棒均值-CVa R模型的输入,最终求解投资组合的最优投资权重。本文采用窗口滚动实验方法,选取实际股票收益数据进行实验,对不同聚类方法下的模型结果做对比分析,研究不同时段及不同资产特征下的优化结果,实验结果证明这些模型是有效的.本文的研究结果将在现有的投资组合优化模型的基础上提供更为有效的算法,同时有助于缩小理论与实践之间的差距,更好地为投资组合管理实践服务。