虽然马科维茨的最优投资组合理论具有模型结构精炼、内涵深刻的优点，但是在实际的资产投资活动中，投资者往往更重视其思想而不是具体的模型。而且即使是纯粹的数量化决策者，往往也并不会直接套用上一节所叙述的模型来优化资产配比。这是因为，如果直接使用前面介绍的最优化模型，得到的资产配比结果常常带有不切实际的偏差。例如，如果最优化问题不带有约束条件，投资组合中许多资产的最优配置很可能就是规模非常大的空头仓位。如果最优化问题带有“禁止做空”“不设杠杆”的约束条件，某些资产的配比可能就直接被优化为零，另外一些资产则会占据过多的份额。
这种配比不均衡的最优解所导致的结果，就是模型导出的投资组合并没有得到很好的分散化，资金过度地集中于某几项资产之上。虽然使用了最优投资组合理论的数学模型，但是却失去了最优投资组合理论内在理念的支撑。一些研究者曾使用市场数据对此进行了实证分析，结果发现基于最优投资组合理论得到的投资组合，在实际表现上甚至劣于等权重的简单投资组合。
造成这一现象的原因，主要是模型的输人参数存在估计上的误差。而这种估计上的误差，可能来自第3章3.2节曾介绍过的过度拟合与欠拟合，基于历史数据的估计结果与资产的实际特性之间有差距，进而造成了样本估计与未来表现不一致。
可以看到，马科维茨的最优投资组合理论中的输人参数较多，预期收益的数据量与资产数量一致，预期协方差矩阵的数据量则是资产数量的平方。各个参数中都存在或多或少的估计误差，这些估计上的误差通过整体模型混合在一起，最终会造成非常严重的偏差。
与此同时，通过最优投资组合理论计算得到的资产配比结果对输人数据的变化非常敏感。一方面，这一特性本身就不利于最优投资组合理论的实际应用;另一方面，该特性会叠加模型输入参数中估计误差，使得最优化结果与合理配比之间形成非常大的差异。
要解决马科维茨最优投资组合理论的这些缺陷与问题，研究人员提出了许多不一样的方案。这一节中作者主要介绍其中的两种方案，即改变最优投资组合理论的约束条件和Black-Litterman模型。