En lugar de utilizar una matriz de covarianza de muestra para la optimización de la cartera, Ledoit y Wolf utilizan un estimador que es la media ponderada de la matriz de covarianza de muestra y la matriz de identidad, $I$ . Este enfoque puede interpretarse como un método que encoge la matriz de covarianza de la muestra hacia la matriz de identidad, tirando de los coeficientes más extremos hacia valores más centrales, reduciendo sistemáticamente el error de estimación cuando más importa.
La matriz de identidad contiene 0 para los off-diagonales, y 1 para las entradas diagonales. La importancia de la matriz identidad en la teoría de la cartera se debe a que $I$ representa una estructura de datos sin ruido debido a que sus off-diagonales son 0? ¿O, en lugar del ruido, sus supuestas propiedades ideales provienen más bien del concepto de escasez?
Si es así, ¿significa esto que cualquier matriz de covarianza cuyos fuera de los diágonos son mucho más pequeños que sus diagonales debe, por tanto, ser más susceptible de invertibilidad y optimización cuadrática con bajo error de estimación? ¿O qué tiene de bueno una matriz simétrica cuyos elementos fuera de diagonal son mucho más pequeños que los elementos diagonales?
