把一组资产收益想成一排会互相影响的温度计：变量很多，市场规律还会变，偶尔又冒出极端读数。此时，普通算法很容易被少数异常值带偏。Xu、Guerrier、Li 和 Ke 研究的正是这种棘手组合：如何更可靠地估计自协方差矩阵——记录多个变量在当前与滞后时刻如何共同波动的表格。
论文给出两种逐项处理办法。Huber M估计对异常大的偏差降低权重；计算更省的截断估计则直接压住过大观测。最值得注意的是，作者不只讨论样本无限多时会怎样，还给出非渐近误差界：误差如何随样本量、变量维度、数据尾部和时间依赖强弱变化，都被明确纳入。针对截断估计，论文还建立了高维 Gaussian approximation（用高斯分布近似估计误差）和 multiplier bootstrap（通过随机加权重复计算来做推断），并将方法用于月度宏观数据的变化点检测。数值结果支持其有限样本表现，但具体优势仍以作者报告为准。