金融市场常有这种场景：平静几天后突然剧烈波动，极端涨跌还比常规模型预想得更频繁。此时，用历史收益率解释今日收益率的自回归模型（AR），容易被少数极端值和成片出现的波动带偏。Rui She 等人在 Annals of Statistics 提出一套两步估计法，试图同时处理重尾——极端值更常见——以及 GARCH 型噪声带来的时变波动。
第一步使用自加权分位数回归：分位数回归关注中位数等分布位置，比只看平均值更能抵抗极端值；“自加权”则进一步调节不同观测的影响。问题在于，噪声中位数不一定为零，真正合适的分位点 τ₀——噪声小于零的概率——事先未知。作者先在所有分位点上估计 AR 参数，再于第二步估出 τ₀，并把它代回第一步，得到最终参数。
作者证明，两项估计都具有一致性和渐近正态性，并设计随机加权 bootstrap（通过反复随机重加权近似复杂的不确定性分布）。据论文摘要，该方法无需预先知道噪声是否对称、尾部有多重或具体服从何种参数分布，也不要求零均值或零中位数；摘要未披露实证数据或相对现有方法的效果幅度。