本文基于真实数据实证了不同条件协方差估计方法的表现  均值-方差投资组合理论中，协方差矩阵是衡量投资风险的统计量，在量化 投资中有广泛应用，其估计的精确与否直接影响模型的最终表现。考虑到 金融数据具有时变性，本文研究了基于指数移动平均与多元 GARCH 模型 的条件协方差估计方法。主要内容包括：1、综述条件协方差估计方法中两 类协方差估计模型的原理；2、给出统一的评价体系，保证条件协方差估计 方法实证结果的可比性；3、基于国内外七类资产组合的真实交易数据验证 条件协方差估计方法相比于样本协方差的改善程度；4、总结分析各算法的 优劣，并针对不同配置场景提供实操建议。 

指数移动平均反映近期变化趋势，多元 GARCH 模型反映均值回复特征 考虑到金融市场的时变性，资产的波动率和相关性往往会呈现出时变规律， 久远的历史样本很可能无法反映现状，这与无条件协方差矩阵不随时间变 化的假设相矛盾。因此，本文重点针对这个问题引入条件协方差估计方法 作为解决方案。其中，基于指数加权移动平均法的Riskmetrics模型和Barra 半衰期模型考虑到近期观察值更能反映近期变化趋势，对近期的样本赋予 更多的权重；而多元 GARCH 模型不仅考虑了资产收益率的波动率聚集现 象，同时在模型设定中考虑了长期均值回复的效应。两类估计方法都能捕 捉收益率的时变特征，理论上都会改进无条件协方差矩阵的估计。 

评价指标：最低波动组合与目标波动组合的样本外表现 本文选取国内股票、行业、大类资产和全球股、债、商品等大类资产 2007 年以来的真实数据，针对每种条件协方差估计方法，分别构建最低波动组 合与目标波动组合，考察样本外的波动率表现。具体地，本文在每月末基 于指定窗宽的历史数据计算各类协方差估计量，进而求解两类组合对应的 权重，评估在回测区间内，年化波动率是否相对于使用样本协方差有所改 善。理论上，协方差估计越精确，则构建的最小波动（或目标波动）组合 的波动水平就应该越小（或越接近目标水平）。 

条件协方差对于最小波动组合更为适用且 Barra 半衰期模型适用性最广 实证结果表示，条件协方差估计更适合于构建最小波动组合，其中，Barra 模 型能够在大部分资产组合场景下有效改善估计的时效性和精度，Riskmetrics 模型仅在少部分场景下适用，而多元 GARCH 模型更适合对海外资产进行建 模。压缩估计类算法更适用于构建目标波动组合，虽然部分样本协方差方法对 于原始组合亦有不同程度改进，但总体而言改善效果不及压缩估计模型。这可 能是由于模型本身消除历史信息无效性的需求较低所导致的。