马科维茨均值-方差资产组合模型奠定了投资组合理论的基础,均值-方差模型的输入参数包括收益的均值和协方差。在实践中,投资者发现马科维茨均值-方差模型对于输入参数的变化特别敏感。随着中国市场资产的种类和数量越来越多,同时又难以收集足够多的样本,传统的样本协方差矩阵在估计高维矩阵时存在较大的估计误差,因此如何减小收益协方差矩阵的估计误差对均值-方差模型的影响成为了研究的热点。减小协方差矩阵估计误差对均值-方差模型影响的方法有两个,一是通过统计方法,得到更加准确的收益协方差矩阵估计,例如压缩矩阵,但是压缩矩阵计算复杂,且缺乏经济解释。因此有研究者提出利用因子模型估计收益的协方差矩阵,虽然利用因子模型估计收益的协方差矩阵有着良好的统计性质,但将因子模型的协方差矩阵应用到均值-方差模型中的研究较少。另一种方法是重采样,重采样可以使马科维茨投资组合多样化,但是对重采样方法减小了协方差矩阵估计误差对均值方差模型的影响,人们保持怀疑的态度。有研究者将重采样和压缩矩阵结合提出新的算法,但存在争议。因子模型和重采样都有自己的优点,但两者结合是否好于单独使用因子模型的协方差矩阵是现在研究的空白。为了得到更好的投资组合方法,本文将因子模型的协方差矩阵和重采样结合到一起,提出新的算法。对于上面的问题,本文做了以下工作:本论文以中国沪深A股主板市场上市公司股票的交易数据为基础。在不同资产数量和厌恶系数下,模拟研究不同方法得到的投资组合的信息比,收益,方差,最大权重和最小权重。首先在不同的资产数量下,通过比较基于压缩矩阵,因子模型的协方差矩阵得到的投资组合。发现基于因子模型协方差矩阵得到的投资组合的信息比更高,收益率更大。然后本文在不同厌恶系数下,将重采样,压缩矩阵,因子模型的协方差矩阵,重采样和压缩矩阵的结合,重采样和因子模型的结合进行比较,通过模拟发现:在投资组合权重设置上下限的情况下,重采样改进了均值-方差模型;基于因子模型协方差矩阵的投资组合要好于基于压缩得到的投资组合;基于重采样和压缩矩阵结合的投资组合比基于压缩矩阵的投资组合信息比更高,收益更大;因子模型和重采样结合的算法要好于其他方法。本文所做的贡献是,验证了因子模型的协方差矩阵在均值-方差模型中的优越性,同时为压缩矩阵和重采样结合好于压缩矩阵提供了中国市场的证据,重采样方法的有效性也得到了中国市场的验证,通过模拟比较,本文发现重采样和因子模型结合的算法好于其他方法,为投资者提供了一个较好的投资组合方法。