学海拾珠系列之二百七十九：基于LPPLS模型的美股七巨头泡沫与系统性风险研究

图表目录图表1文章框架 4图表2MAGNIFICENT7的市值变化（2015-2025） 5图表3ALPHABET（谷歌母公司）对数价格与LPPLS模型拟合结果 8图表4亚马逊对数价格与LPPLS模型拟合结果 8图表5苹果公司对数价格与LPPLS模型拟合结果 9图表6对数价格与LPPLS模型拟合结果 9图表7微软对数价格与LPPLS模型拟合结果 9图表8特斯拉对数价格与LPPLS模型拟合结果 9图表9英伟达对数价格与LPPLS模型拟合结果 9图表10谷歌的LPPLS模型残差序列 10图表亚马逊的LPPLS模型残差序列 10图表12苹果公司的LPPLS模型残差序列 10图表13的LPPLS模型残差序列 10图表14微软的LPPLS模型残差序列 10图表15特斯拉的LPPLS模型残差序列 10图表16英伟达的LPPLS模型残差序列 11图表17LPPLS模型的估计参数 11图表18预测的临界日期 11图表19LPPLS模型残差序列的ADF检验 12图表20谷歌母公司：迭代估计LPPLS模型 13图表21亚马逊：迭代估计LPPLS模型 13图表22LPPLS模型残差的迭代ADF检验结果 14图表23“七巨头”的最大回撤 171 引言图表1文章框架整理"Magnificent7"（“七巨头”）一词指的是七家具有技术驱动力的领先公司，它们对全球市场和创新具有重大影响力。这些公司包括：苹果（AAPL）、微软（MSFT）、亚马逊（AMZN）、Alphabet（GOOGL）（谷歌母公司）、MetaPlatforms（META）（原Facebook）、特斯拉（TSLA）和英伟达（NVDA）。/AlphabetAIMetaPlatformsAI然而，它们的主导地位可能对全球经济构成潜在的系统性风险。计占主要股票指数的相当大份额。例如，截至2025年1月15日，“七巨头”的累计市值达17.8万亿美元，占标普500总市值的34.25%。其估值的严重下行可能引发广泛的金融不稳定。它们与各行业的相互关联放大了这一风险，因为其运营中断（如供应链问题或监管挑战）可能在经济中产生连锁反应。此外，它们对云计算和AI等关键技术的影响力，使经济和技术权力高度集中，引发了对这些关键系统脆弱性的担忧。图表2Magnificent7的市值变化（2015-2025）Magnificent7:unsustainablegrowthandsystemicrisk》具体而言，本研究认为系统性风险并不局限于金融机构，也可能源自其他行业。当以下两个条件同时满足时，这一现象就会出现：（a）构成整体市值显著比例的公司呈现不可持续的超指数增长，且（b）这些公司集体经历有限时间奇点。据本文所知，这是首项聚焦“七巨头”公司来研究此问题的研究。通过考察这些实体的系统性风险含义，本研究提供了一个新的视角来理解更广泛市场中的潜在脆弱性。LPPLSLPPLS"——Sornette（LPPLS）模型20165132025117模型是因为其在预测金融资产泡沫形成方面表现卓越。正如Sornette（2017）所强调的，LPPLS模型能有效捕捉泡沫形成的普遍特征，包括由羊群效加速的对数周期波动率波动，反映了更高收益预期（看涨情绪）预期）Sornette（2017）为检验LPPLS特征是否具有统计显著性，本研究采用增广Dickey-Fuller（ADF）LPPLS过迭代缩减样本量来评估LPPLS模型所得参数的可靠性。具体做法是逐步从数据集起始处排除观测值，重新校准模型，并检验预测的临界时间是否保持稳定。这种稳LPPLS"（RH）：RH1：“七巨头”呈现不可持续的快于指数的增长。RH2：“七巨头”将经历有限时间奇点条件，表现为构成对数周期振荡终结的体制转换。大多数采用LPPLS"后验"。该模型也因对时间序列输入数据变化的敏感性而受到批评，这种敏感性可能导致估计的临界事件时间发生大幅波动。此外，Sornette（2017）强调了临界时间点估计的随机性质，指出LPPLS模型通常比实际发生时间更晚地预测这些临界时间。本研究试图填补LPPLS（LPPLSLPPLS20165132025117价格校准LPPLS模型，本研究发现强有力证据表明其中四家公司——Alphabet、——LPPLSLPPLS模型202511765%（202526然而，必须指出的是，政府政策可能通过打断预测的体制转换来显著影响股市动态。特朗普政府时期的促增长政策——如减税、放松监管和刺激措施——可能提高企业盈利能力和投资者信心，从而可能推动股价上涨。此外，贸易谈判、鸽派货币政策和基础设施支出也可能进一步增强市场情绪。本研究在以下方面对现有文献有所贡献。第一，据本文所知，这是首项调查“七巨头”公司是否呈现有限时间奇点的研究。第二，本研究引入了一个新的系统性风险维度，即超指数增长的大市值公司集体经历有限时间奇点时可能产生的系统性风险。第三，本研究通过迭代缩减样本量来评估LPPLS参数估计的稳健性，为LPPLS模型在预测分析中的可靠性提供了新的见解。本文余下部分组织如下。第2节回顾文献并展开假说。第3节描述方法论。第4节展示结果和稳健性检验。第5节讨论。第6节总结并讨论启示。2 数据苹果（AAPL）、微软（MSFT）、亚马逊（AMZN）、字母控股（GOOGL）、元平台、特斯拉（TSLA）和英伟达（NVDA）的日度价格数据取自英为财情（）。数据区间限定为2016年5月13日至2025年1月17日，原因是英伟达在2016年5月13日之后的实际报价才超过1LPPLS1方法论基于“七巨头”日度对数价格实现LPPLS模型金融对数价格的简单幂律模型由下式给出：ln[𝑝(𝑡)]=𝐴+𝐵(

𝑡𝑐−𝑡𝛽)𝑡

(1)其中ln[𝑝(𝑡)]表示某“七巨头”在时间𝑡的价格对数，𝑡𝑐是临界时间，𝐴是接近𝑡𝑐时股票价格的期望值，𝐵定义了对快于指数增长的暴露，𝛽是控制快于指数价格增长的幂律指数。临界时间𝒕𝒄标志着加速振荡的终结，导致表现为体制转换的"有限时间奇点"。与Sornette（2017）一致，公式(1)的简单幂律模型需要通过考虑周期性振荡进行扩展：ln[𝑝(𝑡)]=𝐴+𝐵(𝑡𝑐−𝑡)𝛽[1+𝐶cos(𝜔ln(𝑡𝑐−𝑡)+𝜙)] (2)其中𝐶表示对数周期振荡围绕幂律奇异性增长的暴露，𝜔表示泡沫形成期间振荡的角对数频率，𝜙是相位参数，其他记号如前所定义。校准LPPLS模型需要施加以下约束：𝐴>0, 𝐵<0, 0<𝛽<1, 𝜔>0, |𝐶|<1此外，Sornette（2017）强调参数𝜙无法被有意义地约束。LPPLS模型校准与参数约束对于LPPLS。LPPLSLPPLS受的参数约束：𝐴>0,𝐵<0,0<𝛽<1,𝜔>0,|𝐶|<1。这些约束反映了LPPLS0<𝛽<1轨迹，而𝜔>0是产生特征性对数周期振荡的必要条件——这种振荡在投机泡沫阶段有历史记录。此外，遵循Sornette（2017），本文认识到接近边界的参数值（如𝛽→0或𝛽→1）可能导致模型的病态行为，如非物理的发散或伪装成气泡的近线性趋势。因此，本文遵循文献采用合理约束。在这些约束下拟合LPPLS模型后，本文通过应用单位根检验程序来评估残差的适当性，如下所述。LPPLS特征的统计检验估计参数向量̂=(̂,̂,̂,̂,𝑐,̂)给出了定义如下的估计残差：𝑡=ln[𝑝(𝑡−ln̂[𝑝(𝑡)]ln̂[𝑝(𝑡)]Magnificent7𝑡LPPLSGrobys（2023,2024,2025）一致，本文采用ADF检验来检验平稳性。与早期研究一致，从Φ导出的残差在99%置信水平上呈现平稳性的校准被视为统计显著。Δ𝑢𝑡=+𝛿1𝑢𝑡-1+𝛾1Δ𝑢𝑡-1+...+𝛾pΔ𝑢𝑡-p+(3)式中𝜀𝑡假定为独立同分布（IID，即独立且同分布）误差项。参考既往研究的通用处理惯例，最优滞后阶数依照施瓦茨准则选定（Grobys,2023、2024、2025）。约束信息集与迭代估计LPPLS模型在设定参数约束完成对数周期幂律（LPPLS）模型校准后，我们通过分析结果对信息集变动的敏感性，进一步考察估计临界时间的稳健性。Brée（2013）LPPLS𝑡𝑐称为“参数”。另一方面，Sornette（2017）指出：随着趋近临界时间，内生系统的不稳——LPPLS𝑡𝑐中，而崩盘是随机触发的，其带偏概率在临近𝑡𝑐时会显著升高”（Sornette,2017,p.332）。当接近泡沫顶点、内生系统不确定性上升时，这种效应会表现得更为明显。LPPLS（2）定义的模型进行迭代重估，并重新开展式（3）定义的增广迪基-富勒（ADF）检验。𝑗（𝑗=1,2,𝐽）20个观𝐽LPPLS𝑇−个观测值，最后一次迭代所用数据集仅包含𝑇−20𝐽个观测值（注：原文此处存在排版符号错位，已结合上下文逻辑还原样本量设定）。每次迭代后，我们存储对应的参数向量𝚽Δ𝑢计算的ADF在验证了不同信息集下LPPLS校准的稳健性、以及预测临界时间的稳定性后，我们接下来展示拟合模型的实证结果。本次迭代校准的核心结论如下：迭代重估结果显示，不同信息集下预测的临界时间𝑡𝑐保持相对稳定。这说明本研究检测到的LPPLS统计假象，而是反映了持续存在的内生市场动态。因此，尽管已有研究担忧LPPLS模型的参数估计存在“松散性”问题，我们的迭代检验仍证实：所识别的有限时间奇点模式具备稳健性与可靠性。结果主要结果本节展示LPPLS模型校准应用于“七巨头”公司的实证发现，聚焦于有限时间奇点模式的检测及相关的系统性风险含义。3-9LPPLS模型,20165132025117𝑇=21833-9LPPLS图表3Alphabet（谷歌母公司）对数价格与LPPLS模型拟合结果

图表4亚马逊对数价格与LPPLS模型拟合结果systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表5苹果公司对数价与LPPLS模型拟合结果 图表6Meta对数价格与LPPLS模型拟合结果systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表7微软对数价格与LPPLS模型拟合结果 图表8特斯拉对数价格与LPPLS模型拟合结果systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表9英伟达对数价格与LPPLS模型拟合结果Magnificent7:unsustainablegrowthandsystemicrisk》图表10-图表16绘制了对应模型的残差序列。总体样本期为2016年5月13日至2025年1月17日，对应𝑇=2183个样本观测值。图表10谷歌的LPPLS模型残差序列 图表亚马逊的LPPLS模型残差序列systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表12苹果公司的LPPLS模型残差序列 图表13Meta的LPPLS模型残差序列systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表14微软的LPPLS模型残差序列 图表15特斯拉的LPPLS模型残差序列systemicrisk》

Magnificent7:unsustainablegrowthand

systemicrisk》

Magnificent7:unsustainablegrowthand图表16英伟达的LPPLS模型残差序列Magnificent7:unsustainablegrowthandsystemicrisk》1717可见，与临界时间̂𝒕𝒄对应的模型预期对数股价存在明显异质性：亚马逊的估计值为=5.2622，特斯拉为=6.4314，而Meta的估计值异常偏高，达到5290.7670（20251月17日426.50LPPLS𝑡̂𝑐时，股价将达到567.59美元，与对数价格的估计结果吻合。图表17LPPLS模型的估计参数Magnificent7:unsustainablegrowthandsystemicrisk》此外，从图表17可观测到临界时间𝑡̂𝑐的点估计区间：Meta对应的𝑡̂𝑐=2200.1360，亚马逊对应的𝑡̂𝑐=2284.0000，说明临界奇点将出现在样本期末之后的𝑇+17.1360𝑇+101.000018-𝑇=21832025117Meta20252202569日，其余5家“七巨头”企业的临界时间𝑡̂𝑐均落在这两个日期之间。图表18预测的临界日期Magnificent7:unsustainablegrowthandsystemicrisk》从参数估计结果来看，Alphabet、亚马逊、苹果和微软的残差过程至少在1%LPPLSLPPLS202511765%。接下来在图表19中，我们列示了对图表10-图表16ADF19Alphabet（微软四家公司对应的残差序列，至少在1%的显著性水平下满足平稳性。因此这四只股票的LPPLS特征具备统计显著性，反过来意味着：LPPLS模型识别出的这四只股票价格的超指数增长特征是统计显著的。结合表1数据可知：截至2025年1月17“”65%。图表19LPPLS模型残差序列的ADF检验Magnificent7:unsustainablegrowthandsystemicrisk》稳健性检验此外，我们通过逐步缩减LPPLS模型校准所用样本量的方式，对每家公司的LPPLS模型开展迭代估计。20的Alphabet（的估计区间为[5.2457,5.4829]，均值=5.39，对应标准差=0.08；估计临界时间𝑡̂𝑐𝑇=218之后的21个到71̂

=55.7599个交易日，对应标准差𝜎̂𝑐=2097个交易日；超指数增长幂次参数̂的估计区间为[0502],均值̂̅=0500，对应标准差̂=006，参数的取值区间和均LPPLS0<𝛽<1。图表20谷歌母公司：迭代估计LPPLS模型Magnificent7:unsustainablegrowthandsystemicrisk》从图表21的亚马逊结果来看：其对数股价临界值参数𝐴̂的估计区间为[5.2622,5.4507]，均值𝐴̂̅=5.40，对应标准差𝜎𝐴̂=0.07，数值特征与Alphabet的结果高度接近；估计临界时间𝑡̂𝑐的区间为𝑇=2183之后的109.9984个到121个交易日，均值̂𝑐=12122个交易日，对应标准差𝜎̂𝑐=2668个交易日；超指数增长幂次参数̂的估计区间为[039,99]，均值̂̅=0528，对应标准差̂=0.16720<𝛽<1。图表21亚马逊：迭代估计LPPLS模型Magnificent7:unsustainablegrowthandsystemicrisk》从苹果结果来看：其对数股价临界值参数𝐴̂的估计区间为[5.4773,5.5569]，均值𝐴̂̅=5.53，对应标准差𝜎𝐴̂=0.03；估计临界时间𝑡̂𝑐的区间为𝑇=2183之后的2187.4469

=4742𝜎̂𝑐

=27.6747个交易日；超指数增长幂次参数𝛽̂的估计区间为[0.9208,1.0000]，均值𝛽̂̅=0.9889，对应标准差̂=0025，值得注意的是，该刻画资产价格超指数增速的参数，取0<𝛽<1从微软结果来看：其对数股价临界值参数𝐴̂的估计区间为[6.1467,6.1475]，均值𝐴̂̅=6.15，对应标准差𝜎𝐴̂=0.00，稳定性极强；估计临界时间𝑡̂𝑐的区间为𝑇=28之后的8个到121̂

=80.5877个交易日，对应标准差𝜎̂𝑐=38780个交易日；超指数增长幂次参数̂的估计区间为[05900]，均值̂̅=071，对应标准差̂=0037，和苹果的特征一致，参数取值也非常接近0<𝛽<1Alphabet、亚马逊、苹果、微软四家的整体迭代结果表明，其对应的LPPLS模型估计可靠性很高；但Meta、英伟达、特斯拉的迭代校准LPPLS模型无法得到一致的估计结果。以Meta为例，其临界时间𝑡̂𝑐的估计值波动极大，区间跨度从37.1845到1558.3058；英伟达的迭代估计也存在同类异常：英伟达的结果显示其𝑡̂𝑐的估计值不仅在120到416.1209的宽区间内波动，还会随着样本观测值被逐步截去呈现单调上升的特征。LPPLS22检验结果进一步验证了之前的结论：对于Alphabet、亚马逊、苹果、微软四ADFLPPLS1%MetaLPPLS1%LPPLS图表22LPPLS模型残差的迭代ADF检验结果Magnificent7:unsustainablegrowthandsystemicrisk》讨论与已有文献的对齐分析与近年采用LPPLS模型的相关研究对比针对LPPLS（对数周期幂律奇点）模型实时预测的近期研究，通过识别统计显著的LPPLS特征，为宽基股票指数的状态转换提供了大量实证证据（Johansen&Sornette,2001;Sornette,2017;Grobys,2023）。具体而言，Johansen和Sornette（2001）、Grobys（2023）的研究结论表明，道琼斯工业平均指数（DJ30）和标普500指数大概率在2050年前后发生突变性状态转换。在相关研究中，Grobys（2025）检验了黄金期货对数价格是否存在持续泡沫形成的信号：该研究基于2015年12月2日至2024年6月日的黄金期货日度数据开展分析，发现了稳健证据表明存在有限时间奇点，预测发生时点为2029年10月6日；此外，基于不同LPPLS模型校准得到的临界时间均指向一个高度集中的预期状态转换时间窗口，即2029年10月6日至2029年月5LPPLS（如Sornette,2017）LPPLS模型；但与Sornette（2017）、Shu和Song（2024）等早期研究不同，本研究将分析拓展至个股层面的LPPLS特征识别。尽管个股的价格噪声天然高于宽基市场指数，本研究仍在7只标的股票中的4LPPLS（即缩减）的LPPLS迭代重校准结果进一步证明：对于这4只股票，所检测到的LPPLSLPPLS特征的跨资产实证验证除了本次对“”LPPLSJohansen和Sornette（2010）对金融泡沫与崩盘开展了全面综述，记录了LPPLS型特征信号。在房地产领域，Zhou和Sornette（2006）将LPPLS模型应用于美国房地产市场，识别出2007—2008年金融危机前，房价存在明确的不可持续动态特征，属于典型的泡沫表现。商品市场中同样存在LPPLS结构：Sornette等（2009）分析2006—2008年油价泡沫，证实LPPLS模型捕捉到的投机动态，是当时油价大幅Ji和Zhang（2024）采用LPPLLPPLS形态特征。LPPLS方法也被成功拓展至新兴资产类别：Huang和Wang（2024）LPPLSKyriazis等（2020）LPPLS上述研究共同表明，LPPLS特征在股票、房地产、大宗商品、碳信用、加密货币资产中反复出现，证明该框架的实证适用性并不局限于单一市场或资产类别。Sornette（2017）进一步强调，LPPLS结构在历次历史泡沫中表现出极强的普适性，核心特征是特定的对数周期标度行为；Lin等（2014）则通过大量模拟证明，在GARCH(1,1)等标准金融模型生成的随机序列中，这类特征几乎不可能偶然出现。这类广泛的跨资产验证，进一步提升了本次针对“壮丽七巨头”价格动态开展的LPPLS诊断的可信度。综上，这些研究结论进一步支撑了如下解读：本次在“七巨头”中识别到的LPPLS特征，与跨各类资产、历次历史泡沫中观测到的、已被充分证实的内生市场脆弱性模式完全一致。研究启示有限时间奇点的表现形式金融资产对数价格的有限时间奇点，是资产定价底层动态趋于不可持续、最终引发极端结果的临界点。根据Sornette（2017）的研究，这类奇点主要有三种表现形式：第一种是持续超指数增长，特征为对数价格加速上行，通常对应投机泡沫阶段。这类阶段中，价格受羊群行为、非理性繁荣、过度杠杆等自我强化机制推动持续走高；但West（2017）指出，这种持续加速的增长场景，最终必须以创新作为底层支撑才能长期维系。第二种是突变性间断/崩盘，即对数价格突然大幅下跌。这类事件通常由系统性冲击、流动性危机、投资者情绪骤变引发，导致资产价格快速重估、市场稳定性被破坏。第三种是振荡发散，即随着奇点时点临近，对数价格的波动幅度持续放大。这类特征常见于崩盘前的市场环境：市场情绪在乐观与恐慌之间反复摇摆，推动价格走势紊乱但波动强度不断升级。上述三类场景，正是“七巨头”中多数企业已识别的有限时间奇点的潜在演化方向。有限时间奇点预测的实证验证202521LPPLS20251312025413Alphabet2025年2月1市场休市，我们采用2025年1月31日的收盘价作为计算最大回撤的基准点。23-14.58%拉为-45.17%，其中首个被预测将达到有限时间奇点的Alphabet，回撤幅度达到-28.71%23LPPLS图表23“七巨头”的最大回撤Magnificent7:unsustainablegrowthandsystemicrisk》根据Sornette（2017）的理论，LPPLS模型估计的临界时间𝒕𝒄代表市场处于极端脆弱性的阶段，而非确定性的崩盘日期：随着系统向𝑡𝑐趋近，崩盘发生的概率LPPLS“七巨头”LPPLS总体而言，这些观测对金融风险管理具备重要启示：研究结果凸显了基于LPPLS的诊断工具，能够在重大状态转换发生前识别市场不稳定的临界阶段；通过捕捉推升系统性脆弱性的内生动态、并将识别到的模式与实际价格行为相互验证系统性溢出效应的实证证据2025131413-27.41%50034.25%500-9.39%500实际最大回撤远高于该值，达到-17.51%。实际指数回撤幅度几乎是“无传染假设”这一结果为如下假说提供了实证支持：一小部分具备极高影响力的企业产生的不稳定性，会扩散至自身估值之外，放大整个市场的系统性风险。政策干预的处理说明本研究的核心是通过LPPLS政府政策干预等外部因素可能通过放大、延迟或缓和预期状态转换，影响资产价格走势；但这类干预在本LPPLS框架的建模范围。朗普政府时期出台的这类政策变动可能打断已识别的内生动态，但评估这类扰动的并未经过正式理论建模或实证检验。未来研究可通过整合事件研究法、结构断点分作为系统性脆弱性诊断指标的LPPLS特征LPPLS模型虽能够识别内生泡沫动态、预测市场不稳定性抬升的临界阶段，但不应被解读为提供确定性的崩盘预测。恰恰相反，LPPLS诊断出的有限时间奇点一视角与Sornette（2017）SornetteLPPLS模型捕捉的是正反馈机制推动下不可持续增长的累积过程，但实际崩盘事件本质上是随机的，对小幅内生或外部扰动高度敏感。因此，LPPLS信号最适合作为临界脆弱性的研究局限尽管上文的实证结果与跨资产验证为LPPLS框架的适用性提供了强有力支撑，但仍需认识到该方法存在的方法论与预测层面局限。首先，基于校准LPPLSLPPLS模型是专门为刻画正/负反馈循环驱动的泡沫内生机制而设计的（Sornette,2017）Grobys（2023）20081015200210920071231500日度数据校准LPPLSLPPLS819而非实际崩盘的2008年10月15日。Grobys（2025）检验了LPPLS模型能否预测2119997192006914174520073218Grobys（2023,2025）LPPLS”干扰了LPPLS2007321日的”——2006年年。其次，政府政策等外部因素也会干扰预期的状态转换决策可能影响股价，打断本研究记录的预测模式。这类干扰可能通过政策措施、政策沟通、间接经济传导等多个渠道产生：企业减税、放松监管、刺激计划等促增长关税减免等贸易谈判进展，会通过降低经济不确定性进一步提振市场情绪；此外特朗普政府向美联储施压，要求维持低利率、实施量化宽松等鸽派货币政策，可通过降低借贷成本刺激投资；基建支出计划也可能提振特定行业的乐观预期，对大盘产生正面影响。这些外部影响凸显了解读LPPLS模型结果时考量外生因素的重要性——外部因素可能显著改变泡沫形成与状态转换的动态。尽管LPPLS局限：已有文献指出，该方法存在过拟合风险、参数估计对初始值敏感等问题（Brée等,2013）LPPLSSornetteZhou（2006）、Filimonov和Sornette（2013）的标准做法，采用非线性最小二乘（NLLS）优化估计，而贝叶斯方法、极大似然方法等其他估计框架可提供补充视角，探索这类替代方法是未来研究的重要方向。最后，LPPLS模型虽能识别预示系统性不稳定性抬升的内生动态，但其预测能力本质上是概率性的、而非确定性的：（19872000）LPPLS分证实（Sornette,2017）Sornette（2017,p.232）推导得到标度关系𝜆=exp(2𝜋/𝜔)，指出𝜆≈1.5−1.7的取值“具备极强的普适性，在其他崩盘中也大致相同”；此外Lin等（2014）GARCH(1,1)LPPLS0.2%LPPLS6 结论美股“七巨头”——苹果、微软、亚马逊、Alphabet（谷歌母公司）、MetaPlatforms、特斯拉和英伟达——正在变革全球市场与创新。这些公司在AI、云计算和可再生能源等领域开展业务，体现了行业领导力，在全球范围内塑造着商业实践和消费者行为。它们合计持有巨大的经济影响力，占标普500市值的34.25%（202511517.8）本研究将LPPLS20165132025117Alphabet、亚马逊、苹果和微软四家公司呈现统计显著的LPPLS65%。LPPLS202526LPPLS本研究引入了一个新的系统性风险维度：当超指数增长的大市值公司集体经历有限时间奇点时可能产生的系统性风险。在监测期间，“七巨头”公司经历了平均-27.41%500-17.51%（-9.39%）场。尽管预测的临界时间存在因随机影响而