AI & Cat Bond 2025: ILS Kembali Panas, Risiko Lebih Tajam

Pasaran insurance-linked securities (ILS) sedang “hidup semula” — dan angka 2025 memang susah nak diabaikan. Sehingga akhir suku ketiga 2025, penerbitan catastrophe bond (cat bond) dilaporkan melepasi AS$18 bilion, manakala saiz pasaran ILS tertunggak dianggarkan sekitar AS$56 bilion. Bila modal institusi mula masuk semula pada skala ini, itu bukan sekadar trend pelaburan; ia isyarat bahawa cara industri memindahkan risiko bencana sedang berubah.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, saya tengok perkembangan ini sebagai satu mesej yang jelas: apabila risiko iklim dan bencana semakin sukar diramal, industri tak boleh bergantung pada model lama semata-mata. Cat bond dan ILS memerlukan penilaian risiko yang sangat teliti — dan di sinilah AI dalam pengurusan risiko mula jadi “alat kerja” yang praktikal, bukan sekadar buzzword.

Mengapa rekod penerbitan cat bond penting untuk pengurusan risiko

Cat bond yang melonjak menandakan permintaan tinggi terhadap pemindahan risiko yang lebih telus, berstruktur, dan boleh diukur. Ini berlaku kerana pasaran tradisional (reinsurans dan insurans komersial) sedang menilai semula harga risiko bencana selepas beberapa tahun kerugian besar.

Antara 2017 hingga 2022, ramai pelabur ILS belajar dengan cara yang mahal: aktiviti bencana tinggi, trapped collateral (cagaran “tersangkut” lama), dan prestasi dana yang tak menepati jangkaan mendedahkan kelemahan pada:

• model risiko dan andaian data
• reka bentuk portfolio (diversifikasi yang nampak cantik atas kertas, tapi rapuh bila kejadian berturutan)
• terma transaksi (contoh: struktur agregat, pencetus, dan masa penyelesaian tuntutan)

Sejak 2022, beberapa faktor menyokong pemulihan:

1. Harga (pricing) lebih kuat untuk risiko bencana
2. Kadar faedah lebih tinggi, membantu pulangan keseluruhan (komponen “carry”)
3. Struktur dan terma diperketat, menjadikan cat bond lebih “investable”

Bagi pengurus risiko dan eksekutif insurans, mesejnya mudah: modal akan datang jika risiko dinyatakan dengan jelas, diukur dengan disiplin, dan diurus dengan telus.

Reka bentuk mandat ILS: ramai orang silap fokus pada pulangan

Mandat ILS yang berkesan bermula dengan rangka risiko, bukan sasaran pulangan tetap. Ini selari dengan pandangan pakar pasaran yang menekankan bahawa reka bentuk mandat dan pemilihan pengurus dana menentukan siapa yang benar-benar “menang” dalam kitaran ILS baharu.

Expected loss: “kompas” paling berguna

Dalam amalan, expected loss (EL) ialah titik rujukan utama untuk memaku selera risiko. Secara ringkas, EL menjawab: “Secara purata, berapa banyak kita jangka rugi setahun dari risiko yang diambil?”

Beberapa julat yang biasa digunakan:

• Portfolio fokus cat bond: EL 2%–3%
• Portfolio lebih agresif (lebih banyak private ILS seperti collateralized reinsurance): EL 5%–6% atau lebih

Pulangan lebih tinggi memang menggoda, tetapi kosnya jelas: tail risk (risiko ekor) yang jauh lebih besar.

Tail risk dan 99% VaR: tempat AI mula beri nilai nyata

Banyak mandat turut menggunakan ukuran ekor seperti 99% Value at Risk (VaR). Ini penting kerana bencana besar bukan berlaku “purata”. Ia berlaku sebagai kejadian jarang, tetapi mahal.

AI boleh membantu dengan cara yang lebih praktikal daripada sekadar “ramalan cuaca”:

• menggabungkan data satelit, sejarah trajektori ribut, topografi, dan kepadatan aset
• membina simulasi scenario yang lebih luas (termasuk kejadian berturutan)
• mengesan bias dalam andaian model (contoh: underestimation intensiti, atau perubahan corak hujan)

Satu ayat yang patut dipegang oleh pengurus risiko:

Jika EL ialah kelajuan kereta, tail risk ialah keadaan brek ketika jalan licin.

Isu kecairan (liquidity): bahagian yang selalu “menggigit” bila krisis

Kecairan ialah pemboleh ubah reka bentuk mandat ILS yang tak boleh dibuat kosmetik. Cat bond tersenarai biasanya boleh menyokong urus niaga harian atau kerap. Tetapi private ILS cenderung perlukan:

• tempoh notis lebih panjang
• lock-up
• gates
• mekanisme slow-pay

Ini bukan kerana pengurus sengaja menyusahkan pelabur — ia realiti garis masa tuntutan dan pelepasan cagaran selepas sesuatu peristiwa.

Satu peringatan yang wajar: jangan rancang penebusan penuh di bawah setahun jika portfolio anda banyak private ILS. Bila salah jangka kecairan, hasilnya biasanya salah satu daripada dua:

1. jual aset pada harga tidak ideal (forced sale)
2. pelabur terkejut bila dana aktifkan gating

Bagaimana AI membantu mengurus kecairan dalam ILS

AI bukan “mencipta kecairan”, tetapi ia membantu meramal tekanan kecairan lebih awal:

• analitik ramalan untuk tempoh penyelesaian tuntutan (claims development)
• pengesanan corak collateral release mengikut jenis bahaya dan struktur pencetus
• stress test dinamik: “Jika dua kejadian berlaku dalam 90 hari, apa kesan kepada redemption?”

Dalam organisasi insurans, saya lebih suka pendekatan ini: jadikan kecairan sebagai sebahagian daripada risk appetite statement, bukan nota kaki dalam prospektus.

Pembinaan portfolio ILS yang tahan lasak: had dan disiplin lebih penting dari “cerita pulangan”

Portfolio ILS yang konsisten bergantung pada disiplin had (limits) dan diversifikasi yang betul, bukan diversifikasi yang nampak banyak. Antara kekangan yang sering digunakan oleh pemilik aset untuk membentuk risiko:

• had instrumen niche
• had mengikut bahaya (peril-specific limits) berdasarkan sumbangan kepada EL
• diversifikasi mengikut cedant (pihak yang memindahkan risiko) dan jenis pencetus
• kawalan pada struktur agregat, specialty lines, dan leveraj

Contoh praktikal: kenapa “peril concentration” boleh jadi perangkap

Katakan portfolio nampak pelbagai kerana ada 30 transaksi, tetapi 60% EL datang daripada satu bahaya (contoh: taufan Atlantik). Itu bukan diversifikasi yang sihat; itu pertaruhan besar yang disorok oleh bilangan posisi.

AI boleh bantu mendedahkan perkara ini dengan lebih cepat:

• risk contribution analytics untuk mengira sumbangan EL dan tail loss mengikut bahaya
• kluster risiko berdasarkan korelasi (bukan sekadar label geografi)
• pengoptimuman had untuk mengurangkan kepekatan tail loss tanpa “membunuh” pulangan

Dari data ke keputusan: AI sebagai enjin underwriting dan pemodelan risiko bencana

Cat bond wujud atas asas pemodelan risiko yang terperinci — dan AI boleh menaikkan kualiti keputusan pada tiga peringkat: pra-deal, semasa struktur, dan pasca-peristiwa.

1) Pra-deal: menilai harga risiko yang wajar

AI membantu pasukan risiko dan pelaburan menilai sama ada spread yang ditawarkan selari dengan:

• EL yang diunjurkan
• tail risk yang diterima
• ketidakpastian model (model uncertainty)

Yang membezakan AI yang “berguna” ialah kebolehannya menggabungkan pelbagai sumber data dan mengemaskini andaian dengan lebih kerap.

2) Semasa struktur: memilih terma yang melindungi pemegang modal

Banyak masalah 2017–2022 datang daripada terma yang tak seimbang. AI boleh menyokong rundingan struktur dengan:

• simulasi sensitiviti pada pencetus dan definisi kejadian
• semakan anomali dalam data pendedahan (exposure data)
• pengesanan “lubang” pada struktur agregat yang menaikkan kebarangkalian trapped collateral

3) Pasca-peristiwa: jangkaan kerugian dan garis masa penyelesaian

Selepas kejadian, masa jadi musuh utama. AI boleh membantu dengan:

• pemprosesan imej satelit/udara untuk anggaran kerosakan awal
• triangulasi data cuaca, laporan lapangan, dan data tuntutan
• unjuran loss creep dan implikasi kepada cagaran

Bagi pelabur institusi, ini mengurangkan kejutan. Bagi insurer/reinsurer, ini mempercepat keputusan modal.

Soalan lazim yang patut dibincang di bilik lembaga

Jawapan ringkas untuk pengurusan atasan: lonjakan cat bond bukan sekadar peluang pulangan; ia ujian kematangan kerangka risiko dan data anda. Antara soalan yang saya cadangkan:

1. Adakah kita menetapkan selera risiko berdasarkan expected loss dan tail risk, atau sekadar sasaran pulangan?
2. Adakah terma kecairan selari dengan sifat aset (cat bond vs private ILS)?
3. Adakah kita faham kepekatan bahaya yang sebenar berdasarkan sumbangan EL, bukan bilangan posisi?
4. Model siapa yang kita percaya — dan bagaimana kita menguji ketidakpastian model?
5. Di mana AI memberi nilai: data pendedahan, pemodelan bahaya, stress test, atau pengurusan tuntutan?

Kalau jawapan kepada 2–3 soalan ini masih kabur, risiko terbesar bukan bencana — tetapi keputusan yang dibuat dengan keyakinan palsu.

Apa langkah seterusnya untuk organisasi di Malaysia & rantau ini

Menjelang penutup tahun dan perancangan 2026, banyak organisasi sedang menetapkan bajet risiko, had reinsurans, dan strategi modal. Berita rekod penerbitan cat bond 2025 patut dijadikan pencetus untuk mengemas kini cara kita menilai risiko bencana dan kecairan modal.

Saya sarankan tiga tindakan yang realistik (dan boleh dibuat dalam 60–90 hari):

1. Audit kerangka risiko: semak definisi EL, 99% VaR, stress test, dan had bahaya — pastikan ia konsisten merentas pasukan pelaburan, aktuari, dan risiko.
2. Bina “data pipeline” bencana: satelit/iklim, pendedahan aset, sejarah tuntutan, dan data geospatial — satu sumber kebenaran, bukan fail berasingan.
3. Mulakan projek AI yang sempit tetapi kritikal: contohnya, model ramalan garis masa tuntutan untuk portfolio bencana, atau enjin pengesanan kepekatan tail risk.

Modal global semakin suka struktur yang boleh diukur dan dipertahankan. Soalnya, bila cat bond dan ILS terus berkembang pada 2026, adakah organisasi anda sudah ada sistem — dan minda — untuk membuat keputusan risiko yang lebih tajam?