Lý thuyết Danh mục đầu tư (DMĐT) hiện đại (Modern Portfolio Theory) đóng vai trò quan trọng trong việc lựa chọn và tối ưu DMĐT, tuy nhiên lý thuyết này vẫn tồn tại nhiều hạn chế do sự nhạy cảm của một trong các biến đầu vào của mô hình là ma trận hiệp phương sai. Các phương pháp ước lượng ma trận hiệp phương sai truyền thống chưa giải quyết được hạn chế này, đặc biệt khi số lượng tài sản đầu tư trong danh mục tăng cao hơn so với số lượng mẫu quan sát. Do đó, trong bài nghiên cứu này, nhóm tác giả áp dụng phương pháp ước lượng ma trận hiệp phương sai co gọn (Shrinkage estimator), phương pháp này được giới thiệu lần đầu tiên bởi hai tác giả Ledoit & Wolf (2003), để lựa chọn DMĐT tối ưu trên thị trường chứng khoán Việt Nam, đồng thời so sánh phương pháp co gọn này với các phương pháp ước lượng ma trận hiệp phương sai truyền thống khác dựa trên các tiêu chí đánh giá cụ thể trong việc lựa chọn DMĐT. Kết quả nghiên cứu thực nghiệm cho thấy, phương pháp ước lượng ma trận hiệp phương sai co gọn cho kết quả vượt trội hơn nhiều so với các phương pháp ước lượng ma trận hiệp phương sai truyền thống. Sự vượt trội này được thể hiện trên hầu hết các tiêu chí đánh giá DMĐT được sử dụng bao gồm: tiêu chí lợi nhuận trung bình của danh mục, rủi ro trung bình của danh mục, chỉ số Sharpe, mức lỗ tối đa của danh mục và hệ số Alpha

Modern Portfolio Theory (MPT) has been playing an essential role in the selection and construction of investment portfolios. However, the theory still has many limitations due to the sensitivity of one of the variable inputs in the portfolio optimization, which is the covariance matrix. The traditional covariance matrix estimations have not yet addressed the limitations, especially in the case of high-dimensional portfolios. Therefore, in this paper, the authors use of the shrinkage estimator of the covariance matrix, which was first introduced by Ledoit and Wolf (2003), to optimize the portfolios in the Vietnamese stock market. Moreover, the shrinkage estimation method is also compared with the traditional covariance matrix estimations for portfolio selection based on particular portfolio performance metrics. The empirical results show that the shrinkage estimator of the covariance matrix provides far superior results than other traditional estimators on virtually all of the performance metrics such as return, risk, Sharpe ratio, maximum drawdown, and Jensen’s Alpha.