Johnson’s SB transformation

Johnson’s SB transformation（Johnson之SB轉換）是由統計學家N.L. Johnson於1940年代提出的一套連續分布族，包含SB（二參數）、SU（三參數）、SJ（四參數）等形式。其核心原理是透過單調遞增函數將任意連續隨機變數轉換為標準正態分布，從而消除數據偏態（skewness）和峰度（kurtosis）問題。在風險管理領域，此方法特別適用於處理金融市場的非正態收益率數據，確保風險模型（如期望損失計算）的統計假設成立。根據ISO 31000:2018的風險評估原則，風險分析必須基於適當的統計假設，若原始數據存在嚴重偏態而未進行適當轉換，將導致風險評估結果產生系統性偏差，影響企業的風險容忍度決策。此方法與傳統Box-Cox轉換不同之處在於其靈活性，可處理負值和零值數據，適合多類型的風險指標分析。

在企業風險管理（ERM）實務中，Johnson’s SB transformation主要應用於量化風險建模的數據預處理階段。實務導入通常分為三個步驟：第一步，進行數據探索性分析（EDA），使用偏度（Skewness）和峰度（Kurtosis）指標確認數據的非正態程度；第二步，選擇適當的Johnson分布類型（如SB型處理輕微偏態，SJ型處理重尾風險），並透過最大似然估計（MLE）估算參數；第三步，將轉換後的正態數據輸入風險模型（如期望損失模型或VaR模型），完成風險評估後再逆轉換回原始尺度。例如，一家跨國金融機構在建立信用風險模型時，若使用未經轉換的偏態歷史違約率數據，可能低估極端尾部風險（Tail Risk）。透過此轉換，模型可更準確地捕捉極端事件概率，使風險矩陣（Risk Matrix）的邊界設定更具科學依據，提升風險管理框架的有效性。

台灣企業在導入此類統計風險模型時面臨三大挑戰。首先是數據治理基礎薄弱，許多中小企業缺乏結構化的歷史風險數據，導致無法有效估算Johnson分布參數，建議優先建立數據治理框架（參照ISO 27701）。其次是專業人才稀缺，統計建模需要具備數理背景的風險管理人員，企業可透過與學術機構合作或聘請外部顧問解決。第三是法規合規壓力，台灣金管會（FSC）對金融機構的風險管理要求日益嚴格，若模型未經驗證即用於資本適足率計算，可能面臨監管問責。建議採取階段性導入策略：第一階段先以內部管理指標（如KPI達成率）進行模型驗證；第二階段導入核心風險指標（如操作風險損失）；第三階段再應用於監管報告。企業應建立「模型治理政策」，明確記錄轉換參數的選擇依據與驗證過程，以符合ISO 31000的透明度要求。