认识 LPPL 模型：衡量市场泡沫的量化工具及其在 KOSPI 与 SOX 中的应用

摘要： 本报告探讨了 LPPL（对数周期幂律）量化模型在识别金融市场泡沫及估计顶部临界时间（tc）中的应用，重点针对韩国综指（KOSPI）和费城半导体指数（SOX）进行了历史回测与阶段性风险预测。

核心观点：

1. 模型逻辑：LPPL 模型通过捕捉价格的非线性加速上涨和波动频率加快这两个特征来识别泡沫，旨在确定市场运行状态可能发生切换的风险窗口。
2. 指数风险预警：截至 2026 年 6 月，模型对 KOSPI 和 SOX 均发出风险提示。SOX 的短期风险窗口已临近（6 月中下旬），中期观察窗口在 9 月中旬至 10 月中旬；KOSPI 的风险窗口主要集中在 2026 年 8 月中下旬。

论据支撑：

1. 适配度差异：SOX 因行业属性集中（AI 半导体）、估值弹性高且易形成拥挤交易，与 LPPL 模型的匹配度更高，2024 年 7 月的顶部识别效果较好。
2. 综合指数局限：KOSPI 作为综合指数，受出口景气、全球流动性、汇率等多种宏观因素共同影响，价格路径缺乏清晰的泡沫加速结构，导致模型预测往往滞后。

局限性/风险：

1. 参数敏感性：模型结果高度依赖于行情起点的选择、样本长度及参数边界的设定，存在“边界解”影响置信度的问题。
2. 外部冲击：美联储政策路径、地缘政治冲突、半导体资本开支变化等外部宏观因子可能导致模型预测的临界时间失效。