در این پایان نامه به بررسی کاربردهای داده کاوی وابسته به زمان (داده کاوی زمانی) در مباحث مالی، به خصوص در مدیریت سبد بهینه دارایی خواهیم پرداخت. خوشه بندی سری های زمانی یکی از مهم ترین این کاربردهاست که به منظور خوشه بندی بانک های اطلاعاتی عظیم مربوط به دارایی های (مثلا سهام های) موجود در بازار بکار می رود. در این پژوهش نشان خواهیم داد که معیارهای ضریب خودهمبستگی و weighted dynamic time warping (wdtw)، مناسب ترین معیارهای شباهت برای انجام خوشه بندی سری های زمانی سهام ها جهت تشکیل سبد بهینه سهام می باشند. در اکثر مواقع مدل پیشنهادی نتایجی بهتر از روش های قبلی، همچون خوشه بندی بر اساس ضریب همبستگی یا تشکیل سبد دارایی بدون استفاده از خوشه بندی (یعنی روش ارائه شده توسط آقای مارکویتز)، از خود نشان داده اند. در این راستا، مسئله انتخاب سبد بهینه سهام را در دو حالت بازار، شرایط نیمه واقعی و کاملا واقعی بررسی خواهیم کرد. شرایط نیمه واقعی مربوطه به زمانی است که سرمایه گذار قابلیت ویژه و دقیقی جهت پیش بینی نرخ بازده دارایی ها در آینده را دارد ولی در مورد میزان ریسک (بدست آمده از کواریانس بین دارایی ها) در آینده هیچ گونه اطلاعاتی ندارد. نتایج بدست آمده در این حالت نشان می دهد که سبدهای بهینه بدست آمده از طریق خوشه بندی با استفاده از معیار شباهت ضریب خود همبستگی سبدهای پایدارتری خواهند بود. شرایط کاملا واقعی مربوط به حالتی است که سرمایه گذار نه در مورد نرخ بازده و نه میزان ریسک در آینده اطلاعاتی ندارد. این حالت نزدیک ترین حالت به شرایط واقعی بازارهای مالی دنیاست. طیف وسیعی از شبیه سازی ها نشان داد که روش wdtw عملکرد خیلی بهتری نسبت به سایر روش ها در شرایط کاملا واقعی دارد. همچنین نشان داده شده است که اختلاف بین منحنی های ریسک-بازده بدست آمده از بکارگیری روش های پیشنهاد شده، روی داده های تاریخی و آینده، خیلی کمتر از روش مارکویتز و یا روش های بکار رفته در مطالعات قبلی است. از طرف دیگر، نتایج نشان می دهد که هر چه تعداد دارایی ها افزایش یابد، روش های تشکیل سبد سهام مبتنی بر خوشه بندی به طورقابل توجهی نتایج پایدارتر و بهتری نسبت به روش مارکویتز ارائه می دهند.