ILS & AI: Cara Nilai Risiko Bencana Dengan Lebih Tepat

Pasaran insurance-linked securities (ILS) sedang membesar atas sebab yang mudah: pulangan dua tahun kebelakangan ini kuat, dan pelabur semakin lapar kepada aset yang tak “ikut rentak” pasaran saham atau bon korporat. Dalam laporan berita bertarikh 18/12/2025, Mark Gibson (Schroders Capital) menggambarkan bagaimana prestasi baik dan aliran masuk pelabur menaikkan AUM, mewujudkan permintaan perlindungan yang lebih besar—dan pada masa sama menekan pasaran supaya terus berkembang untuk mengekalkan disiplin harga.

Bagi saya, ini bukan sekadar cerita pasaran modal. Ini cerita pengurusan risiko. Apabila modal alternatif seperti ILS semakin besar, satu perkara jadi kritikal: ketepatan penilaian risiko bencana (hurricane, gempa, ribut petir teruk) dan kebolehan memantau risiko itu hampir masa nyata. Di sinilah AI patut “masuk kerja” — bukan sebagai gimik, tetapi sebagai alat untuk menambah baik pemodelan risiko, underwriting, pemantauan portfolio, dan pengesanan isu data.

Kenapa ILS terus berkembang (dan kenapa ia relevan kepada anda)

ILS berkembang kerana ia menawarkan gabungan yang sukar ditolak: hasil menarik dan diversifikasi. Gibson menyebut dua pemacu utama yang sangat logik:

1. Volatiliti aset lain: Ketidakstabilan politik dan ekonomi membuatkan pelabur mencari aset yang tidak berkorelasi dengan pasaran tradisional.
2. Sifat tidak berkorelasi: Krisis kewangan global dan tahun Covid membuktikan satu poin penting—peristiwa ekonomi tak “mencipta” taufan atau gempa. Prestasi ILS banyak dipacu oleh kejadian bencana semula jadi, bukan sentimen pasaran.

Ini relevan kepada:

• Penanggung insurans & reinsurer yang membeli perlindungan (reinsurance atau cat bond) untuk menstabilkan modal.
• CFO/treasury korporat yang menilai strategi pemindahan risiko (risk transfer) lebih kreatif.
• Pengurus risiko yang mahu mengurangkan “tail risk” tanpa menambah korelasi portfolio.

Poin yang selalu orang terlepas pandang: bila modal masuk banyak, pasaran jadi kompetitif. Pembeli perlindungan akan cuba menolak spread turun ke paras jangka panjang. Ini baik untuk pembeli—tapi ia meningkatkan keperluan untuk disiplin underwriting dan pemodelan yang lebih tajam.

“Uncorrelated” bukan bermaksud “tanpa risiko”

ILS sering dipasarkan sebagai tidak berkorelasi. Betul. Tetapi ia tetap ada risiko yang nyata—cuma jenisnya berbeza.

Risiko utama dalam cat bond & ILS yang perlu difahami

Jawapan ringkas: Risiko ILS biasanya berkisar pada bencana, model, dan struktur.

• Risiko peristiwa (event risk): Kerugian berlaku jika parameter bencana mencapai trigger.
• Risiko model (model risk): Anda boleh salah harga jika input data, andaian, atau vulnerability curve tak tepat.
• Risiko iklim (climate trend): Perubahan corak kejadian ekstrem boleh mengubah frekuensi/severiti.
• Basis risk (untuk parametric/index): Bayaran tak semestinya sepadan dengan kerugian sebenar pembeli.
• Risiko struktur/operasi: Data aggregation, penentuan kerugian industri, atau isu dokumentasi.

Gibson turut menyentuh kebimbangan pelabur tentang risiko kredit pembeli perlindungan. Dalam banyak struktur, kredit pembeli bukan risiko utama kepada pelabur kerana jika pembeli insolven, transaksi boleh matang awal (bergantung struktur). Namun, ini tidak menghapuskan keperluan due diligence terhadap rakan niaga, penjaga kolateral, dan proses tuntutan.

Peranan AI dalam pasaran ILS: dari “model statik” ke keputusan dinamik

Jika ILS mahu terus berkembang tanpa mengorbankan disiplin harga dan syarat, pasaran perlukan satu peningkatan: penilaian risiko yang lebih cepat dan lebih telus. AI membantu di tiga lapisan—data, model, dan keputusan.

1) AI untuk pengayaan data risiko (risk data enrichment)

Jawapan ringkas: AI menjadikan data risiko lebih lengkap, konsisten, dan boleh diaudit.

Contoh praktikal yang sering berlaku dalam underwriting bencana:

• Data lokasi aset tidak standard (alamat separuh, poskod salah, koordinat “tergelincir”).
• Maklumat binaan tidak lengkap (jenis bumbung, bahan dinding, tahun binaan).

AI (NLP + geocoding + entity resolution) boleh:

• Menyeragamkan alamat dan menaik taraf kepada koordinat yang lebih tepat.
• Mengklasifikasikan jenis bangunan daripada dokumen atau imej (dengan kawalan kualiti).
• Mengesan outlier: contohnya nilai perlindungan terlalu tinggi berbanding footprint.

Hasilnya bukan sekadar “data cantik”. Ia mengurangkan error pricing yang menyebabkan spread tak mencerminkan risiko sebenar.

2) AI untuk pemodelan bencana yang lebih adaptif

Jawapan ringkas: AI memperbaiki komponen yang paling rapuh dalam pemodelan—andaian dan ketidakpastian.

Model cat tradisional kuat, tetapi sering bergantung pada:

• andaian hazard dan vulnerability yang “dibekukan” untuk tempoh tertentu,
• kemas kini berkala, bukan berterusan.

AI boleh menyokong dengan:

• Model ramalan (predictive analytics) untuk menilai perubahan corak kejadian ekstrem (contoh: indeks cuaca, anomali suhu permukaan laut, trend ribut konvektif).
• Nowcasting risiko untuk portfolio (contoh: apabila ada sistem ribut besar, AI menganggar pendedahan mengikut geografi dan struktur).
• Ensemble modeling: menggabungkan beberapa model untuk kurangkan “single-model dependency”.

Nota penting: AI bukan menggantikan model bencana. AI menguatkan rantaian keputusan di sekelilingnya—data masuk, pemilihan senario, kalibrasi, dan pengukuran ketidakpastian.

3) AI untuk pemantauan portfolio & amaran awal (early warning)

Jawapan ringkas: AI menjadikan pengurusan risiko ILS lebih proaktif, bukan reaktif.

Bila AUM meningkat, pengurus ILS perlu pantau:

• tumpuan risiko mengikut wilayah (contoh: Florida wind vs Japan quake),
• overlap pendedahan antara tranche,
• perubahan parameter pasaran (spread, terms, attachment point),
• “creep” risiko akibat pertambahan deal tanpa sedar korelasi geografi.

AI boleh membina dashboard yang menandakan:

• tumpuan risiko melepasi had,
• perubahan risiko portfolio selepas setiap trade,
• sensitiviti kepada senario peristiwa tertentu.

Ini sangat selari dengan tema siri AI dalam Insurans dan Pengurusan Risiko: AI bukan sekadar automasi. Ia menstrukturkan keputusan risiko supaya lebih konsisten.

Apa maksud “permintaan pelabur naik” kepada disiplin underwriting

Apabila dana masuk laju, pembeli perlindungan akan cuba mendapatkan syarat lebih mesra: spread turun, wordings longgar, atau struktur trigger yang lebih menguntungkan pembeli. Gibson menyatakan wujud “bid” yang lebih kuat berbanding 2023–2024, dan pembeli perlindungan sudah mula menolak spread ke arah paras jangka panjang.

Jawapan terus: Tanpa alat analitik yang baik, pasaran mudah tersilap harga apabila persaingan meningkat.

Di sinilah AI membantu mengekalkan disiplin melalui:

• Penilaian risiko yang konsisten merentas deal (deal-to-deal consistency).
• Auditability: kenapa spread ini dipersetujui? faktor apa yang menaikkan/menurunkan harga?
• Pengujian tekanan (stress testing) yang cepat untuk pipeline hujung 2025 dan memasuki 2026.

Jika anda berada di pihak pembeli perlindungan (insurer/reinsurer), AI boleh membantu anda berunding dengan lebih kuat kerana anda tahu “fair value” berdasarkan data dan senario.

Soalan lazim: patutkah organisasi saya ambil peduli ILS jika kami bukan pelabur?

Jawapan ringkas: Ya, kerana ILS mempengaruhi kos reinsurance dan kapasiti pasaran.

Walaupun anda tak menerbitkan cat bond, pertumbuhan ILS memberi kesan kepada:

• Harga reinsurance (kapasiti alternatif menambah persaingan),
• Strategi pembiayaan risiko (anda mungkin menilai parametric cover, sidecar, atau quota share berkolateral),
• Keperluan data (pasaran akan menuntut data pendedahan yang lebih bersih).

Praktikalnya, organisasi yang memegang pendedahan bencana (hartanah, utiliti, perladangan, logistik) akan mendapati bahawa kualiti data risiko semakin menjadi “mata wang” dalam rundingan perlindungan.

Langkah praktikal: 5 perkara untuk mula guna AI dalam penilaian risiko bencana

Kalau anda mahu hasil yang realistik dalam 90–120 hari (bukan projek dua tahun), ini urutan yang biasanya menjadi.

1. Betulkan data asas pendedahan: alamat, koordinat, nilai, ciri binaan.
2. Bina pipeline kualiti data automatik: dedup, outlier detection, pengecaman ralat.
3. Standardkan senario risiko: senarai peristiwa rujukan (wind, flood, quake) dan metrik (AAL, PML).
4. Gunakan AI untuk “human-in-the-loop”: AI cadang pembetulan, pakar sahkan.
5. Wujudkan governance: versi model, log keputusan, dan semakan berkala.

Kalau anda serius tentang ILS atau reinsurance, langkah 1–2 biasanya memberi ROI paling cepat kerana ia mengurangkan kesilapan yang mahal.

Apa yang patut kita jangka untuk 2026: lebih permintaan, lebih keperluan analitik

Gibson optimistik bahawa permintaan perlindungan bencana akan terus meningkat dalam jangka panjang—dan saya setuju. Realitinya mudah: aset bertambah, urbanisasi meningkat, nilai hartanah naik, dan kejadian ekstrem kian kerap dilaporkan. Jurang perlindungan (protection gap) tak mengecil dengan sendiri.

Bila pipeline transaksi menuju 2026 kelihatan sihat, cabaran besar ialah memastikan permintaan pelabur tidak mengatasi bekalan dengan cara yang merosakkan terma dan disiplin pasaran. AI membantu pasaran kekal waras—dengan data yang lebih bersih, model yang lebih telus, dan keputusan harga yang lebih boleh dipertanggungjawabkan.

Jika anda mengikuti siri AI dalam Insurans dan Pengurusan Risiko, topik ILS ini sebenarnya contoh terbaik bagaimana AI menyambungkan tiga dunia: underwriting, pasaran modal, dan pengurusan portfolio. Soalnya sekarang: adakah organisasi anda sudah cukup bersedia dari sudut data dan proses untuk berunding, menilai, dan memantau risiko bencana pada kelajuan pasaran 2026?