В статье анализируется применение методов кластеризации для формирования оптимального инвестиционного портфеля, который позволил бы инвестору достичь эффективного соотношения риска и доходности. Были рассмотрены три наиболее популярных вида кластеризации: K-Means, MeanShift и DBSCAN. Наибольшее внимание уделено методу DBSCAN, показаны его преимущества сравнительно с другими методами кластеризации в контексте обработки финансовых данных акций, подчеркнута его способность выявлять кластеры произвольной формы, устойчивость к шуму, отсутствие необходимости предварительно задавать количество кластеров. В работе использован комплексный подход к формированию оптимального портфеля. На первом этапе проводится подготовка данных и их дальнейшая кластеризация на основе исторических данных о доходности, волатильности и корреляциях с использованием языка программирования. На втором этапе производится дальнейшее ранжирование путем присвоения интегральных оценок, которые учитывали бы множество критериев и позволили бы выделить наиболее инвестиционно привлекательные акции внутри каждого выбранного кластера. После всех этапов производится формирование оптимального портфеля с наивысшим коэффициентом Шарпа, коэффициентом Сортино и другими показателями, превосходящими средневзвешенный портфель и индекс MOEX. Для валидации результатов используется моделирование методом Монте-Карло, позволяющее оценить устойчивость портфеля в различных рыночных сценариях, включая периоды волатильности и кризисов. Исследование восполняет пробел в изучении методов кластеризации для оптимизации инвестиционного портфеля, предлагая практический алгоритм, который может быть адаптирован для индивидуальных и институциональных инвесторов. Полученные выводы подчеркивают потенциал применения методов кластеризации для формирования оптимального инвестиционного портфеля.