Este estudio aborda el desafío de estimar matrices de covarianza de alta dimensión en los mercados financieros, donde las suposiciones de esparsidad tradicionales a menudo fallan debido a la interdependencia de los retornos de acciones en diferentes sectores. Presentamos un innovador método de agregación de elementos que agrega entradas de matriz para estimar matrices de covarianza. Este método está diseñado para ser aplicable tanto a matrices esparsas como no esparsas, trascendiendo las limitaciones de los enfoques basados en esparsidad. La simplicidad computacional de la implementación del método garantiza una baja complejidad, convirtiéndolo en una herramienta práctica para aplicaciones del mundo real. El análisis teórico luego confirma la consistencia y efectividad del método con su tasa de convergencia en escenarios específicos. Además, experimentos numéricos validan el rendimiento algorítmico superior del método en comparación con métodos convencionales, así como la reducción en errores relativos de estimación. Además, estudios empíricos en la optimización de carteras financieras demuestran los significativos beneficios de gestión de riesgos del método, particularmente su capacidad para mitigar efectivamente el riesgo de la cartera incluso con tamaños de muestra limitados.