现代投资组合理论发展于Markowitz（1952）[18],在其开创性的理论研究中,提出了基于资产的均值-方差的投资组合选择模型。该模型认为投资者在追求效用最大化时,就是在决策如何将有限的资源分配到不同的资产中,以使得投资组合的收益最大而风险最小。许多学者在此基础上研究出一系列投资组合选择方法。这些方法需要计算所有资产的协方差矩阵,严重限制了其在实践中的应用。随着投资组合中资产数量的增加,基于样本协方差的资产组合构建方法需要估计的参数个数呈平方次增长。如果直接用高维资产构建投资组合,则资产数量多,样本观测数低,面临“大,小”情形。在此情形下,样本协方差与总体协方差的差异较大。如果我们直接利用样本协方差去估计总体协方差,就会造成投资组合样本外数据表现差、协方差矩阵不可逆等情况。为了避免上述情形。本文首先建立起资产的联合似然函数,接着使用Forward Regression（向前回归）方法逐个选择资产。Forward Regression（向前回归）方法能够将我们一次处理的资产规模缩小在一个很少的范围之内,因此,在进行计算的过程中不会出现“大,小”的情况,这也避免了使用协方差矩阵出现的问题。本文利用BIC值作为资产选择的标准,BIC值越小,那么选择该资产的概率就越大。在数值模拟部分,本文考虑（!,）=（5,100）,（10,500）,（15,1000）这三种大小的真模型与全模型,分别服从正态分布与指数分布。数值模拟结果显示,向前回归法能在不同维度、不同分布的数据上均显示出优越性。在实证研究部分,本文考虑维度为700、684、100、49的四种资产,通过资产个数、平均收益率、评价波动率、换手率、夏普比率这五个指标,比较向前选择法与其他传统方法在投资组合选择方面的表现。综合比较结果来看,在高维资产组合的选择上,向前选择法比传统方法更加稳定且高效。