Bon Katastrofi $400m: AI Percepat Keputusan Retro

Jumlah yang besar selalunya datang dengan isyarat yang jelas: pasaran sedang “lapar” kepada perlindungan risiko bencana—dan pelabur mahu struktur yang mereka faham serta boleh diukur. Pada 19/12/2025, RenaissanceRe (RenRe) memuktamadkan penerbitan bon katastrofi Mona Lisa Re 2026-1 dengan nilai perlindungan $400 juta, iaitu 100% lebih besar daripada sasaran awal $200 juta.

Bagi saya, berita ini bukan sekadar “deal” yang besar. Ia adalah contoh paling mudah untuk melihat bagaimana pemindahan risiko tradisional (reinsurans & retrocession) kini semakin bergabung dengan pasaran modal (cat bond / ILS)—dan kenapa AI dalam insurans dan pengurusan risiko semakin menjadi syarat asas, bukan aksesori.

RenRe bukan sahaja menggandakan saiz, mereka juga menutup harga pada hujung bawah julat yang dikurangkan. Itu mesej yang kuat: model risiko, keyakinan struktur, dan kelajuan membuat keputusan sedang menjadi mata wang baharu dalam pasaran bencana.

Apa yang berlaku dalam deal Mona Lisa Re 2026-1 (dan kenapa ia penting)

Jawapan ringkas: RenRe mendapatkan $400 juta retrocession yang dikolateralkan sepenuhnya melalui dua tranche bon katastrofi, menandakan permintaan pelabur yang kukuh dan disiplin harga yang semakin ketat.

Ringkasan struktur: 2 tranche, 2 profil risiko

Deal Mona Lisa Re 2026-1 menyediakan perlindungan kepada portfolio RenRe dan kenderaan partner-capital utamanya, DaVinci Re.

• Class A: $200 juta, tempoh 5 tahun
  • Expected loss awal: 2.82%
  • Spread akhir: 5.5% (harga pada hujung bawah julat)
• Class B: $200 juta, tempoh 4 tahun
  • Expected loss awal: 6.74%
  • Spread akhir: 12% (juga pada hujung bawah)

Dari sudut pengurusan risiko, dua tranche begini memberi fleksibiliti: satu lapisan lebih “defensif” (Class A) dan satu lagi lebih “agresif” (Class B) untuk menyerap kejutan kerugian bencana.

Risiko apa yang dilindungi?

Jawapan terus: Perlindungan meliputi named storm dan gempa bumi untuk kawasan utama termasuk AS, Puerto Rico, U.S. Virgin Islands, Washington D.C., serta gempa bumi di Kanada.

Trigger yang digunakan ialah industry-loss trigger dan perlindungan berbentuk annual aggregate retro reinsurance.

Ini penting sebab:

• Industry-loss trigger mengurangkan pertikaian kerugian individu syarikat; fokus pada kerugian industri.
• Annual aggregate bermaksud ia relevan untuk tahun-tahun yang mengalami lebih daripada satu kejadian—realiti yang makin kerap dalam corak risiko moden.

Kenapa cat bond untuk retrocession makin “laku” menjelang 2026

Jawapan ringkas: Gabungan kerugian bencana yang berterusan, disiplin modal, dan kehendak kepelbagaian pelabur menjadikan cat bond sebagai alat yang semakin “masuk akal” untuk retro.

Konteks Disember 2025 juga menarik. Pasaran sedang menuju pembaharuan kontrak awal Januari (musim renewals). Dalam tempoh begini, syarikat reinsurans biasanya:

• menilai semula had perlindungan,
• mengunci kapasiti sebelum harga berubah,
• mencari struktur yang mengurangkan ketidaktentuan modal.

Cat bond untuk retrocession menawarkan beberapa kelebihan praktikal:

1. Kolateral penuh: risiko kredit pihak lawan lebih rendah.
2. Tempoh beberapa tahun: mengurangkan renewal risk setiap tahun.
3. Akses pasaran modal: kapasiti tambahan bila pasaran tradisional mengetat.

Dan apabila sesuatu deal boleh di-upsized 100% seperti ini, ia biasanya bermaksud buku pesanan pelabur sangat sihat—pelabur nampak nilai pada risk-return, data, dan struktur.

Di sinilah AI masuk: bukan hiasan, tapi “enjin” keputusan risiko

Jawapan terus: AI membantu penaja, pelabur, dan broker menilai struktur cat bond/retro dengan lebih cepat dan lebih konsisten—terutamanya bila portfolio melibatkan pelbagai peril, pelbagai wilayah, dan tempoh berbilang tahun.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya sering nampak corak sama: organisasi yang menang bukan semestinya yang paling besar—tetapi yang paling cepat menukar data kepada keputusan.

1) AI memperkemas pemodelan risiko bencana (cat modeling) pada skala besar

Pemodelan bencana hari ini bukan lagi sekadar satu set simulasi tahunan. Untuk struktur seperti annual aggregate dan industry-loss trigger, anda perlu:

• gabungkan data sejarah kejadian,
• jana ribuan hingga jutaan senario,
• uji sensitiviti terhadap inflasi kerugian, perubahan exposure, dan korelasi peril.

AI (terutama machine learning dan probabilistic modeling) boleh membantu:

• mengesan pola kerugian yang tidak linear,
• mempercepat parameter calibration,
• membina surrogate models untuk mempercepat simulasi tanpa mengorbankan ketepatan secara melampau.

Satu prinsip yang saya pegang: kalau model mengambil masa terlalu lama untuk dijalankan, keputusan anda akan sentiasa “ketinggalan zaman”. AI membantu mengurangkan jurang masa itu.

2) AI untuk pengoptimuman struktur: tranche, harga, dan had

Cat bond bukan “satu saiz untuk semua”. Anda perlu jawab soalan teknikal seperti:

• Berapa saiz Class A vs Class B yang optimum?
• Tempoh 4 tahun vs 5 tahun—apa impaknya pada tail risk?
• Spread mana yang masih menarik untuk pelabur, tapi masuk akal untuk penaja?

AI boleh digunakan untuk mengoptimumkan struktur menggunakan pendekatan seperti:

• scenario-based optimization (mencari struktur terbaik di bawah pelbagai keadaan),
• reinforcement learning untuk strategi penetapan had dan lapisan,
• model ramalan demand pelabur berdasarkan keadaan pasaran.

Dalam deal ini, kedua-dua tranche akhirnya diprice pada hujung bawah. Itu biasanya berlaku bila keyakinan pasaran tinggi dan struktur dianggap “bersih”. AI boleh menjadi faktor sokongan—bukan menggantikan manusia, tetapi meningkatkan kualiti dan kelajuan rundingan.

3) AI membantu pengurusan portfolio ILS: korelasi, pengumpulan risiko, dan “basis risk”

Bagi pelabur ILS, cabaran besar ialah korelasi tersembunyi.

Contoh mudah:

• Anda fikir anda pelbagai wilayah, tetapi sebenarnya exposure anda tertumpu kepada corak cuaca yang sama.
• Anda fikir trigger industri mengurangkan risiko, tetapi basis risk (perbezaan antara kerugian sebenar penaja vs indeks industri) boleh menjejaskan hasil.

AI boleh membantu mengesan:

• risk clustering dalam portfolio,
• korelasi lintas-peril (contohnya ribut + banjir sekunder),
• perubahan trend kerugian yang dipacu oleh urbanisasi atau inflasi kos pembinaan.

Apa yang pasukan risiko di Asia Tenggara boleh belajar daripada kes ini

Jawapan ringkas: Walaupun Malaysia/ASEAN bukan penerbit cat bond besar seperti AS, logik pengurusan risiko di sebaliknya sangat relevan—terutama untuk banjir, ribut, dan gangguan rantaian bekalan.

Berikut tindakan yang praktikal (dan saya cadangkan untuk dibincang dalam mesyuarat risiko awal 2026):

1. Audit data exposure anda

   • Jika data aset, lokasi, dan nilai perlindungan tak kemas, AI pun tak boleh “menyelamatkan” model.

2. Bina “risk appetite” yang boleh dikuantifikasi

   • Nyatakan had kerugian tahunan, toleransi volatiliti, dan sasaran perlindungan dalam nombor.

3. Uji struktur alternatif pemindahan risiko

   • Bukan semua organisasi perlukan cat bond, tetapi logik berlapis (layering) dan multi-year protection boleh diterjemah ke dalam program reinsurans yang lebih stabil.

4. Gunakan AI untuk “early warning” dan pemantauan akumulasi

   • AI sesuai untuk memantau perubahan exposure mingguan/bulanan dan memberi amaran bila pengumpulan risiko menghampiri had.

Satu ayat yang saya selalu ulang dalam pasukan risiko: “Risiko tak tunggu laporan suku tahun.”

Soalan lazim (dan jawapan terus) tentang cat bond retrocession

Adakah cat bond sama seperti reinsurans biasa?

Tidak. Cat bond ialah instrumen pasaran modal (ILS) dengan kolateral penuh. Reinsurans biasa bergantung pada kekuatan kredit reinsurer dan kontrak bilateral.

Kenapa guna industry-loss trigger?

Ia memudahkan penentuan pembayaran berdasarkan kerugian industri. Namun ia datang dengan basis risk—pembayaran mungkin tak sepadan 100% dengan kerugian sebenar penaja.

Di mana AI memberi nilai paling cepat?

Pada tiga tempat: kualiti data exposure, kelajuan simulasi senario, dan pemantauan akumulasi risiko secara berterusan.

Langkah seterusnya untuk organisasi yang mahu serius tentang AI & risiko

Deal Mona Lisa Re 2026-1 menunjukkan sesuatu yang mudah: kapasiti dan harga akan memihak kepada pihak yang boleh menunjukkan risiko mereka difahami dan diurus dengan disiplin. Pada 2026, disiplin itu makin rapat dengan data dan automasi.

Jika anda berada dalam insurans, reinsurans, broker, atau pasukan ERM—ini masa yang sesuai untuk menilai semula:

• adakah model risiko anda cukup pantas untuk menyokong keputusan harga?
• adakah data exposure anda cukup kemas untuk disimulasikan dengan yakin?
• adakah anda memantau pengumpulan risiko secara masa hampir nyata?

Saya nak tinggalkan satu soalan untuk dibawa ke 2026: bila kejadian besar seterusnya berlaku, adakah organisasi anda akan bertindak berdasarkan data semasa—atau berdasarkan anggaran yang sudah lapuk?