协方差矩阵作为许多金融模型的输入值,在资产配置与风险管理中扮演着十分重要的角色。然而,随着信息技术的飞速发展,高维数据频繁地出现在金融与经济领域,致使传统协方差矩阵估计方法面临严峻挑战。高维协方差矩阵估计遇到的挑战可以从横截面和时间序列两个视角进行探讨。从横截面角度来说,主要的难点在于高维度性与非正态性。当资产数量大于时间序列长度时,传统的估计方法会受到维数灾难与噪声大等问题的影响。从时间序列角度来说,金融数据容易受到政策和金融危机等影响而产生异方差性。鉴于此,本文针对高维协方差矩阵估计面临的困难,研究了如下内容:第一,针对维数灾难、非正态分布与噪声大等问题,本文提出将基于多元t分布的稀疏图模型（Tlasso）应用到无条件协方差矩阵的估计中。现有的无条件协方差矩阵估计方法中,基于随机矩阵理论的收缩估计方法较为经典。在收缩估计方法中,非线性收缩估计（NL）的效果最优。但是,近些年许多学者研究表明,在无条件协方差矩阵估计中,稀疏图模型（Glasso）要明显优于NL。然而,Glasso的前提假设是数据需要服从多元正态分布。鉴于大多数金融数据不服从多元正态分布这一假设,本文将基于多元t分布的稀疏图模型（Tlasso）应用到无条件协方差矩阵的估计中,并利用该方法构建了马科维茨最小方差投资组合。第二,针对金融数据存在的异方差性问题,本文创新性地将无条件协方差矩阵估计方法Glasso与Tlasso应用到动态条件相关模型（DCC）中,提出了DCC-Glasso与DCC-Tlasso高维条件协方差矩阵估计器。处理异方差性问题最经典的方法为多元GARCH系列模型,包括BEKK及DCC等模型。但是,传统DCC模型利用样本协方差矩阵估计该模型中的无条件协方差矩阵。随着资产维数的增加,样本协方差矩阵会遇到维数灾难与噪声大等问题。鉴于此,本文将横截面与时间序列这两个协方差矩阵估计的研究方向进行结合,提出了DCC-Glasso与DCC-Tlasso高维条件协方差矩阵估计器。第三,本文构造协方差矩阵损失函数,利用蒙特卡洛模拟法进行模拟实验。从估计速度、估计准确度及估计稳定性三个方面分别对比无条件协方差矩阵估计器及条件协方差矩阵估计器的优劣。此外,将各模型应用到股票市场,构建最小方差投资组合,从样本内外方差、超额收益及夏普比率三个方面比较各模型的实用性。模拟及实证研究均表明,本文提出的DCC-Glasso和DCC-Tlasso模型要优于其他DCC-type模型。当估计的维度越大时,DCC-Glasso和DCC-Tlasso模型的性能表现更加突出。