Modificamos el modelo de pronóstico de matrices de covarianza de alta dimensionalidad (HDCM) de rendimientos de activos propuesto recientemente utilizando análisis de componentes principales de alta dimensionalidad (PCA). Es bien sabido que cuando el tamaño de la muestra es menor que la dimensión, los autovalores estimados por el PCA clásico tienen un sesgo. En particular, un número muy pequeño de autovalores son extremadamente grandes y se les llama autovalores puntuales. El PCA de alta dimensionalidad proporciona autovalores que corrigen los sesgos de los autovalores puntuales. Esta situación también ocurre en el campo financiero, especialmente en situaciones donde se manejan datos de alta frecuencia y alta dimensionalidad. La investigación tiene como objetivo estimar el HDCM de los rendimientos de activos utilizando PCA de alta dimensionalidad para la matriz de covarianza realizada utilizando los datos del Nikkei 225, estimando intervalos de rendimiento de activos intradiarios de 5 y 10 minutos. Construimos modelos de series temporales para los autovalores que son estimados por cada PCA y pronosticamos el HDCM. Nuestro análisis de simulación muestra que el PCA de alta dimensionalidad tiene un mejor rendimiento de estimación que el PCA clásico para la estimación de la matriz de covarianza integrada. En nuestro análisis empírico, demostramos que podremos mejorar el rendimiento de pronóstico utilizando el PCA de alta dimensionalidad y hacer un portafolio con una varianza más pequeña.