Cat Bond Retro $400m: Bagaimana AI Tajamkan Risiko

Kerugian bencana yang diinsuranskan secara global pada 2025 dianggarkan mencecah AS$107 bilion—tahun keenam berturut-turut melepasi paras AS$100 bilion. Bila angka sebesar ini jadi “normal baharu”, syarikat insurans dan reinsurans tak ada pilihan selain mencari kapasiti tambahan yang stabil, pantas, dan boleh diukur.

Sebab itu berita RenaissanceRe yang berjaya menutup urus niaga catastrophe bond (cat bond) retrocession bernilai AS$400 juta melalui Mona Lisa Re 2026-1 (ditetapkan pada 19/12/2025) patut menarik perhatian sesiapa yang terlibat dalam underwriting, pemodelan risiko, kewangan, atau pengurusan risiko perusahaan. Bukan sekadar “besar”, tetapi 100% upsized—daripada sasaran awal AS$200 juta kepada AS$400 juta—dan harga pula dipersetujui pada hujung bawah julat yang sudah pun dikurangkan.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, saya suka tengok berita macam ini sebagai cermin: pasaran modal sanggup membiayai risiko bencana—tetapi hanya bila data, struktur, dan keyakinan terhadap model betul-betul kukuh. Di sinilah AI dalam insurans boleh bagi kelebihan yang nyata: mempercepat analisis, mengurangkan “blind spot”, dan membuat keputusan penetapan harga lebih disiplin.

Apa yang RenaissanceRe buat—dan kenapa ia relevan

RenaissanceRe menggunakan pasaran cat bond untuk mendapatkan perlindungan retrocession berkolateral penuh (fully-collateralized). Secara ringkas, retrocession ialah “reinsurans untuk reinsurans”—alat untuk mengurangkan turun naik kerugian besar dalam portfolio reinsurans.

Butiran struktur Mona Lisa Re 2026-1 yang penting untuk difahami:

• Jumlah perlindungan: AS$400 juta (100% daripada sasaran maksimum)
• Dua tranche:
  • Class A: AS$200 juta, tempoh 5 tahun, initial expected loss 2.82%, spread akhir 5.5%
  • Class B: AS$200 juta, tempoh 4 tahun, initial expected loss 6.74%, spread akhir 12%
• Peril & kawasan: ribut bernama (named storm) dan gempa bumi untuk A.S., Puerto Rico, U.S. Virgin Islands, D.C., serta gempa bumi Kanada
• Trigger: industry-loss trigger (bergantung kepada kerugian industri, bukan kerugian sebenar penaja)
• Penerima manfaat: RenaissanceRe dan kenderaan modal rakan kongsi utama mereka, DaVinci Re

Yang menarik bagi saya: transaksi ini berjaya membesar walaupun spread menurun. Ini signal jelas permintaan pelabur untuk ILS/cat bond masih kuat, dan struktur/risiko dianggap “boleh dipercayai”.

Kenapa “industry-loss trigger” makin penting—dan apa cabarannya

Jawapan ringkas: industry-loss trigger mengurangkan isu moral hazard dan mempercepat penyelesaian, tetapi ia memperkenalkan basis risk.

Basis risk: masalah yang tak nampak pada slide pemasaran

Basis risk ialah jurang antara:

• kerugian sebenar portfolio penaja (contohnya RenaissanceRe/DaVinci Re), dan
• kerugian industri yang digunakan sebagai pencetus pembayaran

Dalam bencana sebenar, dua nombor ini boleh bergerak tak selari. Penaja mungkin rugi besar tetapi kerugian industri tak capai ambang; atau sebaliknya.

Di sinilah AI memberi nilai praktikal

AI tak “menghapuskan” basis risk, tetapi ia boleh mengukurnya dengan lebih jujur dan granular. Contoh aplikasi yang saya lihat paling berguna:

1. Model pembelajaran mesin untuk pemetaan pendedahan (exposure mapping)
   • Menggabungkan data geospatial, jenis binaan, nilai aset, dan corak cuaca
   • Menghasilkan anggaran kerugian portfolio yang lebih tepat pada grid mikro
2. Nowcasting & event footprint AI
   • Menggabungkan data satelit, radar, sensor, dan laporan kerosakan awal
   • Membina “footprint” kejadian untuk menganggar kerugian industri lebih awal
3. Model ensemble untuk tail risk
   • Menggabungkan beberapa model cat tradisional + ML untuk stres test ekor (tail)
   • Membantu menentukan attachment/limit yang lebih “masuk akal”

Ayat yang mudah dipegang: AI memperbaiki keyakinan terhadap angka, bukan sekadar mempercantik dashboard.

Apa maksud “upsized 100%” dari sudut pengurusan risiko

Jawapan ringkas: ia menunjukkan penaja berjaya menyelaraskan tiga benda serentak—struktur, harga, dan naratif risiko—sehingga pelabur sanggup beri kapasiti berganda.

Dalam pasaran reinsurance renewals hujung tahun (kita sekarang di minggu ketiga Disember 2025), banyak pembeli perlindungan sedang mengunci kapasiti untuk 2026. Bila sebuah transaksi retro cat bond boleh naik daripada AS$200 juta ke AS$400 juta, itu menandakan:

• Penilaian risiko dianggap kredibel (model, data, dan pendedahan)
• Dokumentasi struktur jelas (terma, trigger, definisi peristiwa)
• Pelabur melihat pulangan sepadan dengan expected loss

Untuk syarikat insurans/reinsurans di Malaysia atau ASEAN, mesejnya bukan “kita perlu keluarkan cat bond esok”. Mesejnya: jika organisasi anda nak akses modal alternatif (atau berunding lebih kuat dengan reinsurer), anda perlukan disiplin data dan analitik yang setara.

Bagaimana AI mengoptimumkan underwriting & penetapan harga cat bond/retro

Jawapan ringkas: AI mempercepat kitaran quote-to-bind dan menaikkan ketepatan risk selection, terutama bila portfolio besar dan multi-peril.

1) Underwriting: dari “rule of thumb” ke keputusan berasaskan bukti

AI boleh membantu underwriter menjawab soalan yang selalu ambil masa:

• Risiko mana yang sebenarnya menyumbang kepada tail?
• Adakah kita terlalu berat di zon tertentu (contohnya coastal wind) tanpa sedar?
• Apa impak jika trend kekerapan ribut berubah 10–20%?

Dengan pipeline data yang betul, underwriter boleh:

• membuat segmentasi portfolio mengikut hazard micro-zone,
• menguji senario secara automatik,
• menstandardkan dokumentasi rasional harga.

2) Risk modelling: fokus pada ketidakpastian, bukan satu nombor

Cat modelling tradisional bagus, tetapi sering sukar menerangkan ketidakpastian pada data baharu dan corak kejadian yang berubah. Pendekatan AI yang matang biasanya menambah:

• uncertainty quantification (julat kebarangkalian, bukan point estimate),
• pengesanan anomali pada input pendedahan,
• pembelajaran daripada data kerugian sebenar (loss experience) dengan lebih cepat.

3) Tuntutan & operasi: automasi yang menyokong struktur pasaran modal

Walaupun cat bond industry-loss tak bergantung pada tuntutan individu, operasi tuntutan tetap kritikal untuk:

• menilai impak portfolio sebenar,
• memperbaiki data untuk pembaharuan (renewal) seterusnya,
• mengurangkan masa “data freeze” selepas kejadian.

AI untuk triage tuntutan, ekstraksi dokumen, dan pengesahan kerosakan (contohnya melalui imej) akan mempercepat post-event analytics—ini memberi kesan terus kepada pricing dan strategi retro tahun berikutnya.

Soalan lazim (yang biasanya muncul bila bincang cat bond + AI)

“Adakah AI boleh menggantikan cat model vendor?”

Tidak. Yang berkesan ialah gabungan: cat model sebagai rangka saintifik + AI untuk memperbaiki data input, memperhalus resolusi, dan mengukur ketidakpastian.

“Kenapa spread Class B jauh lebih tinggi daripada Class A?”

Kerana expected loss Class B lebih tinggi (6.74% vs 2.82%). Pelabur menuntut pampasan risiko yang lebih besar, sebab kebarangkalian kerugian juga lebih tinggi.

“Apa satu perubahan paling cepat yang organisasi boleh buat?”

Mulakan dengan audit data pendedahan dan bina satu single source of truth. AI yang hebat pun akan gagal kalau data aset, lokasi, dan nilai tak bersih.

Apa yang patut dibuat oleh syarikat insurans/reinsurans sekarang

Jawapan ringkas: bina kebolehan AI yang menyokong keputusan risiko—bukan projek AI yang cantik tapi tak menyentuh P&L.

Ini langkah praktikal yang saya cadangkan (boleh dibuat dalam 90–180 hari jika ada mandat jelas):

1. Tetapkan 3 metrik yang mengikat AI kepada hasil bisnes
   • contoh: masa kitaran underwriting, ketepatan ramalan kerugian, kualiti data pendedahan
2. Bina “model risk governance” untuk AI
   • versi model, audit trail, ujian bias, dan dokumentasi andaian
3. Gunakan AI untuk stres test retro/ILS strategi
   • bukan semata-mata untuk “ramal premium”, tetapi untuk menguji kepekaan terhadap senario ekstrem
4. Siapkan playbook pasca-bencana
   • data yang dikunci bila, siapa sahkan, bagaimana nowcasting dibuat, dan bila laporan kepada pihak berkepentingan

Satu prinsip yang saya pegang: kalau AI anda tak membantu membuat keputusan besar—limit, attachment, harga, atau pembelian retro—itu belum lagi AI untuk pengurusan risiko. Itu sekadar automasi.

Langkah seterusnya untuk 2026: gabungkan modal alternatif + AI

RenaissanceRe menunjukkan pasaran sedia memberi AS$400 juta perlindungan retro berkolateral penuh, meliputi pelbagai peril dan wilayah, dengan struktur dua tranche dan harga yang kompetitif. Realitinya, kapasiti seperti ini akan semakin dicari apabila volatiliti bencana terus menekan keputusan underwriting.

Untuk pembaca siri AI dalam Insurans dan Pengurusan Risiko, peluang paling besar pada 2026 ialah menggabungkan dua dunia yang sering dipisahkan: strategi pemindahan risiko (retrocession, cat bond, ILS) dan AI untuk pemodelan risiko serta automasi operasi. Bila kedua-duanya bergerak seiring, barulah organisasi boleh berunding dengan yakin—dan bertindak lebih cepat daripada pasaran.

Jika satu soalan patut anda bawa ke mesyuarat risiko minggu ini: adakah data dan model kita cukup kukuh untuk meyakinkan “pelabur risiko” yang paling skeptikal—atau kita masih bergantung pada anggaran yang susah dipertahankan?