LPPLS模型参数估计的"松散性"争议如何通过迭代截短样本方法得到缓解？

本研究通过迭代缩减样本量的方式系统评估了LPPLS参数估计的可靠性。具体而言，在每次迭代中从数据集起始端截去20个观测值，重新校准模型并检验预测临界时间的稳定性，同时存储对应的参数向量及残差ADF检验统计量。

实证结果显示，对于识别出统计显著LPPLS特征的Alphabet、亚马逊、苹果、微软四家公司，不同信息集下预测的临界时间保持相对稳定。以亚马逊为例，其临界时间估计区间为样本期末后的110至121个交易日，标准差仅为2.70个交易日；Alphabet的临界时间标准差为20.80个交易日，虽绝对数值略高，但区间整体稳定。超指数增长幂次参数的取值区间和均值均严格满足理论约束。这些结果表明，所识别的有限时间奇点模式具备稳健性与可靠性，并非特定样本选择产生的统计假象。

该方法对LPPLS模型实时应用具有重要价值：一方面，它回应了Brée等（2013）关于参数"松散性"的质疑，证明在严格约束条件下，临界时间估计可以保持稳定；另一方面，它为LPPLS模型从"事后验证"转向"实时预测"提供了方法论支撑，增强了模型作为系统性脆弱性早期预警工具的适用性。不过研究也承认，LPPLS模型的非线性、非凸特性可能增加参数精确识别的难度，贝叶斯方法、极大似然方法等替代估计框架可提供补充视角。