LPPLS模型參數估計的"松散性"爭議如何通過迭代截短樣本方法得到緩解？

本研究通過迭代縮減樣本量的方式系統評估了LPPLS參數估計的可靠性。具體而言，在每次迭代中從數據集起始端截去20個觀測值，重新校準模型并檢驗預測臨界時間的穩定性，同時存儲對應的參數向量及殘差ADF檢驗統計量。

實證結果顯示，對于識別出統計顯著LPPLS特征的Alphabet、亞馬遜、蘋果、微軟四家公司，不同信息集下預測的臨界時間保持相對穩定。以亞馬遜為例，其臨界時間估計區間為樣本期末后的110至121個交易日，標準差僅為2.70個交易日；Alphabet的臨界時間標準差為20.80個交易日，雖絕對數值略高，但區間整體穩定。超指數增長冪次參數的取值區間和均值均嚴格滿足理論約束。這些結果表明，所識別的有限時間奇點模式具備穩健性與可靠性，并非特定樣本選擇產生的統計假象。

該方法對LPPLS模型實時應用具有重要價值：一方面，它回應了Brée等（2013）關于參數"松散性"的質疑，證明在嚴格約束條件下，臨界時間估計可以保持穩定；另一方面，它為LPPLS模型從"事后驗證"轉向"實時預測"提供了方法論支撐，增強了模型作為系統性脆弱性早期預警工具的適用性。不過研究也承認，LPPLS模型的非線性、非凸特性可能增加參數精確識別的難度，貝葉斯方法、極大似然方法等替代估計框架可提供補充視角。