稳健回归通过Huber函数等机制，能有效降低极端值对模型的影响，从而更可靠地处理收益率分布的肥尾特征。肥尾分布意味着极端收益（如大幅下跌或暴涨）发生的概率高于正态分布，传统普通最小二乘法（OLS）会因这些极端值而大幅偏移，导致因子投资模型失效。稳健回归的核心优势在于对极端值赋予较低权重，而非像OLS那样平等对待所有数据点，从而在极端市场环境下保持估计的稳定性。
稳健回归的核心机制
稳健回归主要依赖Huber稳健误差函数来平衡对正常数据和极端值的处理。Huber函数在误差较小时采用平方损失（类似OLS），在误差超过阈值（通常用参数δ控制）时转为线性损失，从而降低极端值的惩罚力度。另一种常见方法是M估计，它通过迭代加权最小二乘法，动态调整每个观测值的权重：残差越大，权重越小。这使得模型在存在异常收益时不会过度拟合，更适合因子投资中对波动率跳跃或尾部风险的分析。
与普通最小二乘法的对比
| 特性 | 普通最小二乘法 (OLS) | 稳健回归 |
|---|---|---|
| 对极端值敏感性 | 高，一个极端值即可大幅改变系数 | 低，通过降权抑制影响 |
| 适用分布假设 | 正态分布（对称、轻尾） | 肥尾分布（如t分布、混合分布） |
| 计算复杂度 | 低，封闭解 | 中，需迭代优化 |
| 在因子投资中的可靠性 | 受极端收益干扰，因子载荷易偏 | 更稳健，适合捕捉长期因子暴露 |
在因子投资中，OLS可能高估或低估因子的真实风险溢价，尤其是在市场崩盘或暴涨期间。稳健回归则能更准确地识别哪些因子具有持续的解释力，避免被短期极端值误导。
在极端市场环境下的应用建议
在极端市场环境（如金融危机、闪崩）中，建议优先使用稳健回归进行因子模型估计。具体操作上，可结合截断法（直接剔除超过3倍标准差的数据）或分位数回归（关注中位数而非均值），但稳健回归因保留数据量更多而更优。对于高波动资产（如小盘股、加密货币），Huber函数的阈值δ可设得较低（如1.345倍标准差），以增强对极端值的抗性；对于低波动资产，δ可适当提高。回测时，应将稳健回归与OLS的结果对比，若两者差异显著，说明数据中存在肥尾效应，此时稳健回归的结论更可信。
总结：稳健回归通过Huber函数等机制，在肥尾分布下比OLS更可靠，尤其适合因子投资中极端市场环境下的风险暴露分析。
常见问题
稳健回归是否完全不受极端值影响？
不是。稳健回归只是降低极端值的影响，而非彻底消除。当极端值数量过多或偏离程度极大时，依然可能对模型产生一定扰动，需要结合数据清洗或异常值检测方法。
在因子投资中，如何选择Huber函数的阈值δ？
通常默认δ=1.345，可覆盖约95%的数据在正态假设下。若数据肥尾特征明显（如加密货币），可降至1.0以下；若数据较干净（如大盘蓝筹股），可升至1.5以上。建议通过交叉验证选择最优δ。
稳健回归与分位数回归有何区别？
稳健回归通过降权处理极端值，估计的是条件均值（类似OLS但更稳健）；分位数回归直接估计条件中位数或特定分位数，对极端值完全不敏感。分位数回归更适合关注尾部风险（如VaR），而稳健回归更适用于因子载荷的整体估计。