به منظور کمی سازی ارتباط دو کمیت، از کوواریانس آن دو استفاده می کنیم که بیانگر رابطه مستقیم، معکوس یا عدم همبستگی آنها است. بخش اعظم انتخاب وزن بهینه بر مبنای این رابطه است و بعد بالای ماتریس کوواریانس همه دارایی‌ها و فرض معین بودن آن در عمل، پاشنه آشیل تئوری متنوع‌سازی مارکوویتز است.

در واقع، مسأله این است که پارامترهای وابسته دارای عدم قطعیت هستند و باید بر اساس اطلاعات گذشته برآورد شوند. برآورد پارامترها منجر به ایجاد پرتفوی با وزن‌های غیر واقعی می‌شود و از این معضل به عنوان معمای بهینه سازی مارکوویتز یاد می‌‌شود. متاسفانه در این روش خطای برآورد بسیار بالا است. برای حل این مشکل سه رویکرد اساسی در دست است:

ما، در سامانه بهینه سازی سبد ویپاس، از روش شرینکیج استفاده می‌کنیم. ابتدا «ماتریس کواریانس نمونه و یک ماتریس هدف » و سپس «ترکیبی از این دو» را در نظر می‌گیریم. این تکنیک شرینکیج نامیده می شود. زیرا ماتریس کواریانس نمونه “کوچک” شده و پیچیدگی آن کم می‌شود.

شرینکیج برآوردگرها دارای سابقه‌ای طولانی و موفق در علم آمار است. نکته ویژه در این است که با ترکیب صحیح دو برآوردگر “افراطی” می توان برآوردگری با خواص مطلوبتر بدست آورد که عملکردی بهتر از هر دو برآوردگر اولیه دارد. قیاس نسبی این که برآوردگر شرینکیج مثل فرزندی است که بهترین خصوصیات پدر و مادر خود را به ارث برده است.