Práce zkoumá využití strojového učení při tvorbě portfolia. Analýza byla provedena na souboru dat, který se skládá ze 442 amerických akcií. Na začátku jsme provedli klastrování akcií pomocí algoritmů analýzy hlavních komponent a K-means. Poté vybíráme akcie z každého klastru na základě metrik výnosnosti/rizikovosti. Kde riziko bylo odhadnuto pomocí Value at Risk a výnos byl předpovězen pomocí modelů Random Forest a GARCH. Takto nám zůstalo 11 akcií pro každé měsíční období v průběhu roku 2020. Výsledky ukazují, že portfolia sestavená z vybraných akcií dokázala překonat tržní benchmark. Predikce výnosů však nebyly dostatečně přesné. Portfolio z vybraných akcií s využitím přístupu 1/N tedy dosáhlo lepších výsledků než portfolio optimalizované pomocí Mean-Variance modelu. 1

The thesis investigates the application of machine learning in portfolio con- struction. The analysis was conducted on a dataset consisting of 442 Amer- ican stocks. Initially, we cluster stocks using Principal Component Analysis and K-means algorithms. Then we select stock from each cluster based on return/risk metrics. Where risk was estimated by Value at Risk, and return was predicted using Random Forest and GARCH models. This leaves us with 11 stocks for every monthly period during 2020. The results indicate that the portfolios constructed from the selected stocks were able to outperform the market benchmark. However, the return predictions were not accurate enough. Thus, the portfolio from selected stock using the 1/N approach achieved better results than the portfolio optimized by the Mean-Variance model. 1