انتخاب سبد سرمایه و کسب حداکثری بازده با وجود ریسک کم و نقدشوندگی بالا یکی از تصمیمات پیچیده برای سرمایه گذاران است. با توجه به اینکه پرتفو بهینه از میان سهام های برتر منتخب بوجود می-آید،انتخاب سهام و رتبه بندی آنان نگاه ریزبین تری از تحقیقات را شامل می شود که هدف آنان معرفی بهترین ها جهت تشکیل سبد سرمایه می باشد. مدل تشکیل سبد سرمایه مدرن(مارکویتز) تنها بر اساس معیارهای بازده و ریسک به انتخاب سهام ها می پردازد. هرچند در مطالعات بعد سعی در منظور نمودن معیارها و سنجه های دیگر در مدل مارکویتز جهت بالا بردن عملکرد سبد سرمایه نمودند، ولی توجه کمتری به روند مالی و عملکرد سالانه شرکت های حاضر در بورس شده است. لذا تشکیل سبد سرمایه بر مبنای تحلیل بنیادی شرکت ها و عملکرد مالی آنها مبنای برخی از تحقیقات گردیده است. با توجه به پیشرفت های صورت گرفته در مدل های یادگیری و تکینک های داده کاوی خط وسیعی از تحقیقات بازار سرمایه که مبتنی بر پیش بینی است به بررسی نحوه استفاده از این مدل ها می پردازد. در این پایان نامه با استفاده از ماشین بردار پشتیبان، مدلی را جهت رتبه بندی سهام ها و نیز پیش بینی سهام-های برتر ارائه شده است. در این مدل با استفاده از الگوریتم خوشه بندی k-means داده های پرت را از مجموعه داده حذف شده و با استفاده از تحلیل پوششی داده ها شرکت های کارا و ناکارا مشخص شده است. پس از آموزش ماشین بردار پشتیبان، با پیش بینی رتبه سهام ها در سال پایانی و انتخاب سهام های برتر پرتفو بهینه برای سال بعد ارائه شده است. در نهایت جهت اعتبار سنجی مدل ارائه شده، آن را با میانگین بازده بازار و پرتفوی بهینه بدست آمده از مدل مارکویتز مقایسه شده است.