在当前AI叙事浪潮的高峰期，市场对于泡沫何时破灭的讨论越发普遍。我们运用LPPL模型识别韩指（KOSPI）和费半（SOX）的阶段性顶部。基于最新一轮主升浪，KOSPI指数在5月以来已处于风险区间，SOX指数6月进入也已临近短期风险窗口。
配资炒股文：国金宏观宋雪涛/联系人陈瀚学
一、LPPL模型是什么？
LPPL模型（即Log-Periodic Power Law、对数周期幂律模型），最早由Johansen和Sornette等学者用于研究金融市场泡沫，核心用途是识别资产价格在主升浪后期，是否进入泡沫式加速的形态，并进一步估计这一阶段可能结束的临界时间tc。
好比用力掰弯一把塑料尺。初期只施加小力，尺子形状稳定；中期不断增加压力，尺子开始发生形变；而当用力接近尺子断裂的临界点前，会听见越来越频繁的微小断裂声；最终触及临界点，尺子断裂。把这一物理规律映射到金融市场，断裂点就是LPPL模型试图识别的临界时间tc。
在金融实践中，LPPL模型关注的是带有明显非线性特征的上涨。普通的价格上涨通常表现为价格沿着较稳定的趋势抬升；泡沫式上涨则表现为上涨速度越来越快，价格波动也越来越密集。
从行为金融学角度，LPPL模型的理论基础主要来自两个机制：一是正反馈循环，二是群体模仿行为。资产价格上涨会吸引更多投资者追随买入，追随买入又进一步推高价格，形成“上涨—追涨—继续上涨”的自我强化机制。噪声交易者容易从众，趋势交易者顺势买入，理性交易者在预期收益仍高于风险时也可能加入趋势交易。但随着价格上涨到某个临界状态后，理性交易者会逐步权衡收益和风险并退出，价格上行过程中的震荡随之加速，最终形成泡沫的破裂。
LPPL模型的目的就是找到那个“临界状态”——价格仍在上涨，但系统稳定性下降，市场对外部扰动越来越敏感，多空博弈频率加快，价格围绕主趋势出现越来越密集的波动。
二、LPPL模型公式和使用方法
LPPL模型的一般形式如下：
ln E[p(t)] = A + B(tc - t)^m + C(tc - t)^m cos[ω ln(tc - t) - φ]
其中：p(t)表示资产价格，模型通常对价格取对数后进行拟合；tc是最重要的输出变量，表示当前阶段可能结束的临界时间；m是幂律指数，用于刻画价格加速上涨的程度；ω是对数周期震荡频率，用于刻画价格围绕主趋势波动的密集程度；A可以理解为临界时间附近价格对数的理论水平；B表示主趋势方向和强度；C和φ刻画周期性震荡的幅度和相位。
为便于理解公式，可将其拆成两部分：第一部分是B(tc - t)^m，描述价格的幂律加速趋势，也就是泡沫上涨的“主趋势”。第二部分是C(tc - t)^m cos[ω ln(tc - t) - φ]的周期项，描述叠加在主趋势之上的对数周期震荡，即临近顶部时出现的加速震荡现象。只有当同时出现“上涨越来越快”和“波动越来越密集”两个特征，模型才更倾向于认为市场存在泡沫式加速的结构。
需要注意的是，tc表示当前运行阶段可能结束的临界时间，但不应被机械理解为市场的必然崩盘日。如果前一阶段是陡峭上涨，下一阶段可能是泡沫破裂或趋势反转，也可能是在新信息冲击下进入另一种运行状态。
在模型的实证应用中，有两类参数需要特别注意。
第一，LPPL模型对时间窗口较为敏感。若校准窗口跨越多个不同市场阶段，拟合得到的参数容易失真。因此，我们采用统一、固定的行情起点，并滚动更新终点的方式：先用60日均线上穿90日均线识别行情起点；在行情起点后至少积累100个交易日数据；随后每隔3个交易日更新一次样本终点，重新估计tc。
为了避免单次拟合的偶然性，我们使用滚动窗口预测tc的中位数来代表模型在该阶段形成的整体判断，而不是使用某一次最接近真实顶部的预测值。因此，若多个窗口预测值集中，说明模型信号较稳定；若预测值分散，则说明不同窗口对行情阶段的判断不一致，模型信号需要降权。
第二，需关注两个稳健性指标——LPPL有效窗口和边界解。LPPL有效窗口是指参数落在经验合理区间内的窗口，常见条件包括0.1
当LPPL提示行情接近阶段性顶部风险时，一般会出现几个预警信号：1）滚动窗口tc中位数靠近当前日期、2）LPPL有效窗口占比上升、3）边界解比例下降、4）预测时间较为集中。否则，则说明模型信号较弱，难以得出泡沫见顶的结论。
下面，我们分别以韩国综指（KOSPI）和费城半导体指数（SOX）作为案例，使用LPPL模型来对其阶段性顶部做回测，再基于各自最新一段主升浪行情，预测未来的临界时点tc。
三、LPPL模型在韩国综指（KOSPI）上的应用
1、2021年6月顶部回测：真实顶部早于模型判断，回调来自出口景气高位后的综合降温
2021年这轮，KOSPI真实顶部出现在2021年6月25日，而LPPL滚动窗口预测的tc中位数为2021年10月4日，较真实顶部滞后约101天；最接近的一次预测为2021年8月3日，也晚于真实顶部约39天。因此，从主判断口径看，LPPL对这一轮顶部的识别效果较弱。
这一轮的市场真实调整，源于叙事从韩国出口景气、盈利修复、全球流动性宽松等利好转向了流动性收紧预期、半导体景气边际降温、外资获利了结的共振。2021年上半年韩国股市仍有较强的出口和盈利基本面支撑，但进入年中以后，市场开始关注美联储Taper和未来加息预期，成长股估值承压，尤其是三星、海力士这些高权重股票。
因此，这一轮模型判断时点偏晚的原因在于，阶段性顶部是出口景气、半导体周期、全球流动性和外资仓位共同变化的结果。KOSPI作为综合指数，价格路径没有呈现出足够清晰的LPPL加速震荡结构。
2、2024年7月顶部回测：个别窗口接近真实顶部，但整体有效性不足
这一轮KOSPI指数的真实顶部为2024年7月11日，LPPL滚动窗口预测的tc中位数为2024年9月13日，较真实顶部滞后约64天。虽然单个最接近窗口预测为2024年7月9日，距离真实顶部仅2天，但该轮所有窗口均为边界解（clean窗口数和LPPL有效窗口数均为0），因此不能视为LPPL成功预测，模型仅在个别窗口捕捉到了半导体交易过热风险，但稳定性不足，整体判断仍偏晚。
造成这一轮真实调整的，是外部政策和地缘冲击集中释放。2024年7月中旬，全球芯片股因美国可能进一步收紧对中国先进半导体技术出口限制、以及特朗普关于台湾防务的表态而明显回调，全球核心半导体资产同步下跌，韩股也受到拖累。7月24日前后，三星电子又受到高端芯片尚未完全通过英伟达测试等消息影响，进一步压制市场情绪。由于KOSPI对半导体权重股依赖较高，外部冲击很快传导至指数层面。
3、2026年1月顶部回测：模型有一定风险提示，但回调时点仍偏晚
这一轮，KOSPI指数真实顶部为2026年1月30日，LPPL滚动窗口预测的tc中位数为2026年3月6日，较真实顶部滞后约35天。单个最接近窗口预测为2026年1月28日，距离真实顶部仅2天；同时本轮存在2个clean窗口和2个LPPL有效窗口，说明模型对风险升温有一定捕捉能力。
这一轮KOSPI剧烈调整，基本面主线缺乏依据，流动性层面仅有沃什交易带来的美联储降息预期下修，最主要的原因仍是交易过热。彼时市场对AI存储链盈利预期已较为充分，权重股集中度上升，散户杠杆资金和AI主题交易拥挤度显著提高，使得指数对外部利率、科技股波动和获利了结更加敏感。本轮LPPL模型的提示风险能力较强，但未能稳定地将风险窗口集中在1月底，仍有所滞后。
4、KOSPI指数下次阶段性顶部预测
KOSPI最新数据日为2026-06-09，按MA60上穿MA90规则识别的本轮行情起点为2025-06-05。从起点后满100个交易日开始滚动拟合，每隔3个交易日更新一次样本终点。全部滚动窗口tc中位数为2026-05-12，最新窗口tc为2026-07-21。结合LPPL的模型结果，当前KOSPI已经处于风险释放后的高波动阶段，若后续价格重新加速上行，7月中下旬是需要跟踪的二次风险窗口。
目前，AI服务器、HBM、高端存储的供需逻辑仍是KOSPI韧性的核心支撑，半导体产品出口也保持强势。2026年4月，韩国半导体出口同比增长173%，计算机相关出口同比增长516%，主要受AI基础设施需求、存储合约价格上涨和SSD需求拉动。但是，SK海力士2026年以来股价涨幅超过200%，2025年也已上涨274%，说明市场对AI存储链盈利预期已经高度定价。从交易层面看，韩国散户杠杆资金和AI半导体主题交易明显升温。路透社6月10日报道称，韩国散户杠杆股票投资触及券商借款上限，散户年内流入KOSPI约79万亿韩元，大量买入三星电子、SK海力士相关的个股杠杆ETF，且融资余额达到创纪录的29万亿韩元。
四、LPPL模型在费城半导体指数（SOX）上的应用
1、2021年年底顶部回测：模型判断时点晚于真实顶部
二是推动银行信贷更大力度支持科技创新。科技创新和技术改造再贷款规模增至1.2万亿元，利率降至1.25%，支持范围进一步扩大。联动实施“创新积分制2.0”和科技创新专项担保计划，26家银行与企业签约超3900亿元，企业融资获得感显著提升。截至2025年底，科技型中小企业贷款余额3.63万亿元，同比增长19.8%。
2021年底，SOX真实顶部为2021年12月27日，LPPL滚动窗口预测的tc中位数为2022年3月21日，较真实顶部滞后约84天；单个最接近预测为2021年12月7日，距离真实顶部约20天。但该轮边界解占比为100%，clean窗口数和LPPL有效窗口数均为0，因此不能表述为LPPL有效预测顶部。模型仅在个别窗口中提示了高位风险，整体参数质量一般。
本轮SOX指数的实际调整，在于利率预期上行、成长股估值压缩和半导体景气预期的降温。2022年1月5日，美联储会议纪要释放鹰派信号，市场开始交易更早加息和更快缩表，推动美债收益率上行，纳斯达克当日大跌超过3%，科技成长股估值明显承压。随后，通胀高企、利率上行和终端需求放缓逐步显现，PC、智能手机等消费电子需求降温，半导体板块的定价也从此前的供不应求，逐步转向需求放缓、库存累积和订单修正的景气下行交易。
到2022年7月，Micron、AMD等芯片公司开始释放需求走弱信号，Reuters称通胀挤压消费支出，同时两年全球半导体短缺开始缓解。对于LPPL模型而言，这类由宏观利率和产业周期共同驱动的顶部，并不单纯由价格自身泡沫结构走向临界点，价格内生加速震荡特征不够清晰，故模型识别效果相对偏弱。
2、2024年7月顶部回测：模型提前识别风险区间
2024年7月，SOX指数真实顶部取2024年7月10日，LPPL滚动窗口预测的tc中位数为2024年6月30日，较真实顶部提前约10天；单个最接近预测为2024年7月3日，距离真实顶部约7天。虽然本轮边界解占比仍达85.7%，但已有2个clean窗口和4个LPPL有效窗口，且tc中位数落在真实顶部附近，这是LPPL预测表现相对较好的一次，捕捉到了AI半导体交易拥挤后的顶部风险区间。
同KOSPI指数，SOX指数也在2024年7月中旬确认了阶段性顶部，主要原因是外部政策和地缘冲击的集中释放。市场担忧美国进一步收紧对中国先进半导体技术出口限制，同时特朗普关于台湾应向美国支付防务费用的表态引发供应链安全担忧。SOX指数当日市值蒸发超过4800亿美元，并接近2022年以来最差单日表现。随后，亚洲芯片股延续抛售压力，市场继续围绕中美芯片限制、台海供应链风险和半导体龙头估值消化进行再定价。
3、KOSPI指数下次阶段性顶部预测：短期风险已现，若行情延续则关注10月中旬
截至2026年6月9日，按MA60上穿MA90规则识别，本轮SOX行情起点识别为2025年6月30日。从滚动窗口结果看，全部窗口tc中位数为2026年6月10日，模型在近期已经多次提示短期风险释放窗口，最新窗口tc为2026年10月13日。因此，LPPL模型提示SOX短期已处于风险敏感区，若短期调整不充分且行情继续沿AI主线加速，10月中旬可能成为下一轮模型指向的远端风险窗口。
不过当前最新窗口仍为边界解，说明这一预测日期不能作为高置信度顶部判断。SOX已经处在LPPL风险敏感区，短期窗口在2026年6月中旬附近；若后续指数没有明显回落、而是继续围绕AI芯片和半导体资本开支主线加速上行，则10月中旬可能成为下一轮需要重点观察的临界时间。
综合比较LPPL在KOSPI和SOX上的应用，不难发现，SOX的适配度要强于KOSPI。这是因为，SOX本身更容易出现LPPL所刻画的泡沫结构——指数行业属性更集中，前五大成分股英伟达、台积电、博通、美光科技、AMD合计市值占比72%，主要反映半导体和AI硬件链；成分股估值弹性高，对利率和风险偏好变化敏感；AI芯片主题容易形成交易拥挤，当市场处于一致看多状态时，价格路径更易出现加速上涨和高频震荡。
但SOX也不是每次都适合LPPL。例如，2021年底的SOX顶部主要由美联储转鹰、利率上行和半导体景气周期边际变化共同驱动，属于宏观估值重定价和产业周期切换，这一轮LPPL预测的tc中位数就明显滞后。2024年7月的顶部更接近AI交易拥挤过热后的冲击释放，LPPL中位数提前约10天，识别效果较好。
五、模型敏感性分析
这一部分，我们分别对KOSPI、SOX指数的LPPL模型进行参数敏感性测试。
1、对于KOSPI指数
敏感性结果显示，若行情起点仍围绕2025年6月附近识别，模型给出的tc较为集中，主要落在2026年8月中下旬。其中，情景1和情景2分别对应MA60上穿MA90和MA50上穿MA90，两者行情起点只相差8天，预测tc也仅相差2天，说明在较接近的趋势起点口径下，KOSPI的预测结果较稳定。
但当起点识别方式改为MA60上穿MA120后，行情起点前移至2025年3月24日，预测tc后移至2026年10月6日。放宽ω参数范围后，tc提前至2026年6月19日，但这一结果不符合原LPPL有效窗口条件，可比性较弱。
综合来看，KOSPI基准口径下的风险窗口主要集中在2026年8月中下旬；若使用更慢的趋势起点识别方式，风险窗口可能后移至2026年10月上旬；若放宽参数约束，则可能出现更早的6月下旬信号。
2、对于SOX指数
基准情景下，SOX的预测tc为2026年9月18日；若将行情起点识别方式调整为MA50上穿MA90，行情起点提前至2025年6月20日，预测tc为2026年9月15日，与基准结果仅相差3天。
当起点识别方式改为MA60上穿MA120后，行情起点变为2025年7月8日，预测tc提前至2026年6月19日。SOX对起点设定更敏感，尤其是在半导体指数波动率较高、上涨斜率变化较快的情况下，少量起点差异就可能导致模型对加速阶段的识别明显不同。放宽ω范围后，SOX的tc提前至2026年6月24日，与基准结果相差接近三个月，这说明SOX对参数边界非常敏感。
综合来看，SOX存在两个风险窗口：在基准参数和相近起点口径下，风险窗口集中在2026年9月中旬；但在更慢起点识别或放宽ω范围后，模型会给出2026年6月下旬附近的提前风险信号。考虑到SOX本身波动率高、AI半导体交易拥挤度高，6月下旬信号可以作为短期风险提示，9月中旬则更适合作为基准口径下的中期观察窗口。
六、模型胜率的影响因素
在实践中，以下因素会影响到LPPL模型的胜率。
一是对主升浪行情的选取方法。我们的行情主升浪选取基准口径是MA60上穿MA90，但如果改成MA50上穿MA90，或MA60上传MA120，起点可能前移或后移，进而改变tc。对趋势极强、回撤很少的行情，这一影响尤其明显。
二是对边界解的判定。若m、ω或tc贴近边界，说明模型可能被参数边界限制住。如果人为放宽参数范围，tc有时会大幅变化，但可比性和经济解释力下降。
三是样本的长度。当从起点后不同的交易日数量开始拟合，也会对样本产生噪声。
四是指数本身的结构。SOX指数成分集中、半导体和AI交易属性强，更容易形成LPPL可识别的加速结构；而KOSPI是综合指数，虽然权重上受三星电子、SK海力士影响很大，但仍更易受汇率、出口、政策和外资流动等外生宏观因素的共振，纯技术模型的适配度相对有限。
（实习生蒋林君对本文亦有贡献）
风险提示
模型存在误差、外部冲击超预期、市场情绪和交易结构超预期变化。
团队介绍
宋雪涛：美国北卡州立大学经济学博士，发表有CF40专著、学术论文、央行工作论文等。上榜金牛、21世纪、Wind、上证、新浪、IAMAC、水晶球等评选，新财富23年第5。
政策研究：
赵宏鹤（中央财经大学金融学硕士），负责重大战略政策和国际关系研究。
张馨月（中国人民大学应用经济学硕士），负责经济政策和财政研究。
宏观经济：
孙永乐（中央财经大学产业经济学硕士），负责国内宏观经济和货币流动性研究。
钟天（芝加哥大学经济学硕士），负责海外经济和全球货币政策研究。
产业研究：
厉梦颖（英属哥伦比亚大学区域规划硕士），负责贸易政策、企业出海、产业趋势和宏观ESG研究。
资产配置：
陈瀚学（加州大学河滨分校金融学硕士），负责海外市场分析和大类资产研究。
＋
报告信息
]article_adlist-->证券研究报告：《认识LPPL模型：一把衡量市场泡沫的塑料尺》
对外发布时间：2026年6月14日
报告发布机构：国金证券股份有限公司
证券分析师：宋雪涛
SAC执业编号：S1130525030001
邮箱：songxuetao@gjzq.com.cn
元股证券:ygzq.hk配资公司杠杆百科
海量资讯、精准解读，尽在新浪财经APP
中国十大股票配资提示：本文来自互联网，不代表本网站观点。