Banken · Betrug und Geldwäsche in Echtzeit erkennen

Eine Überweisung von 48.000 $ verlässt um 2:14 Uhr nachts das Konto eines Kleinunternehmens, Ziel ist eine Empfängerbank in einem Land, mit dem der Kunde noch nie eine Transaktion hatte. Üblicherweise bewegt der Kunde 3.000 $ bis 5.000 $ während der Geschäftszeiten. Innerhalb von 200 Millisekunden, bevor die Zahlung ausgeführt wird, muss der Monitoring-Stack der Bank entscheiden: durchlassen, zurückhalten oder sperren und den Kunden anrufen.

Diese Entscheidung ist ein Datenproblem. Diese Lektion verfolgt diese Überweisung durch die Erkennungsschichten, die moderne Banken betreiben, und zeigt, warum die größte Herausforderung nicht darin besteht, Täter zu erwischen, sondern nicht in Fehlalarmen zu ertrinken.

Zwei Probleme, die ähnlich aussehen, aber keine sind

Zuerst die Begriffe, denn Banken behandeln sie unterschiedlich.

Betrug ist Diebstahl: jemand bewegt Geld ohne Autorisierung. Opfer ist meist der Kunde oder die Bank. Geschwindigkeit zählt am meisten, denn das Geld kann in Minuten verschwinden.

Geldwäsche verschleiert die Herkunft von Geld, das bereits illegal ist (Drogenerlöse, Korruption, Sanktionsumgehung). Die Bank ist nicht das direkte Opfer, sie ist die Leitung. Aufsichtsbehörden verlangen von Banken, dies nach AML-Regeln (Anti-Money-Laundering) zu erkennen und zu melden. Das relevante Ermittlungsfenster sind Tage oder Wochen, nicht Millisekunden.

Beide beruhen auf demselben Rohmaterial: Transaktionsdaten, Kundendaten und Verhaltensmuster. Aber Betrugserkennung optimiert auf Echtzeit-Abfangen, AML dagegen darauf, einen belastbaren Fall aufzubauen, den eine Aufsichtsbehörde akzeptiert.

Schicht 1: Regeln

Die älteste und weiterhin verbreitetste Schicht ist eine Rules Engine: fest codierte Wenn-Dann-Logik, von Analysten geschrieben.

Unsere Überweisung von 48.000 $ löst mehrere Regeln gleichzeitig aus:

• Betrag weit über dem normalen Rahmen des Kontos
• Transaktion außerhalb der typischen Zeiten
• Neues Empfängerland
• Velocity-Spike (mehrere große Überweisungen in kurzer Zeit)

Regeln sind transparent und einem Prüfer leicht zu erklären, was Aufsichtsbehörden mögen. Eine klassische AML-Regel ist die Erkennung von Structuring: Einzahlungen knapp unter der Meldeschwelle von 10.000 $ markieren, die in den USA einen Currency Transaction Report auslöst. Wenn jemand drei Tage hintereinander 9.500 $ einzahlt, greift eine Regel.

Die Schwäche: Regeln sind starr und erzeugen enorm viel Rauschen. Eine Schwelle von „10.000 $ pro Tag“ markiert einen Hochzeits-Caterer und einen Geldwäscher gleichermaßen. Das ist das False-Positive-Problem, und es ist der zentrale Kostentreiber des gesamten Systems.

Die False-Positive-Steuer

Hier die unbequeme Rechnung. Praktiker der Branche schätzen üblicherweise, dass mehr als 90 Prozent der AML-Alerts False Positives sind (der genaue Wert variiert je Bank und ist öffentlich schwer zu verifizieren, behandeln Sie ihn also als häufig zitierte Schätzung, nicht als präzise Statistik).

Jeder Alert bedeutet Arbeit. Ein menschlicher Investigator zieht die Kundenhistorie, prüft den Empfänger und schreibt eine Disposition. Das kostet Geld und Zeit. Große Banken betreiben Investigation-Teams mit Tausenden Mitarbeitern.

Das Ziel ist also nicht „alles fangen“. Es ist mehr True Positives fangen und dabei False Positives senken, denn die Analystenkapazität ist endlich. Ein Modell, das 10.000 Transaktionen markiert, um 5 echte Fälle zu finden, kann schlechter sein als ein klügeres Modell, das 200 markiert und 4 findet.

Behalten Sie diesen Trade-off im Kopf. Jede weitere Schicht existiert, um ihn zu schärfen.

Schicht 2: Netzwerkanalyse

Regeln betrachten eine Transaktion oder ein Konto. Netzwerkanalyse (auch Graphanalyse) betrachtet Beziehungen zwischen vielen Konten.

Geldwäsche findet selten auf einem einzelnen Konto statt. Sie läuft über Ketten: ein Mule-Konto erhält Gelder, teilt sie auf, leitet sie weiter und verteilt sie über Banken, um die Spur zu verwischen. Jeder einzelne Schritt sieht normal aus. Das Muster zeigt sich erst, wenn man die Punkte verbindet.

Graphtechniken modellieren Konten als Nodes und Transaktionen als Edges und suchen dann nach verdächtigen Strukturen:

• Fan-out / Fan-in: ein Konto, das an viele sendet, oder viele, die an eines senden, in engem Zeitfenster
• Kreisläufe: Geld, das nach einer Runde an seinen Ursprung zurückkehrt
• Plötzliche Brücken zwischen Clustern, die nie zuvor interagiert haben

Unsere Überweisung von 48.000 $ wird im Kontext neu geprüft. Wenn das Empfängerkonto in derselben Nacht ähnlich große Überweisungen von sechs unabhängigen Sendern erhielt und sie sofort weiterleitete, ist das ein klassisches Mule-Muster, unsichtbar für eine Einzeltransaktionsregel, aber offensichtlich im Graph.

Für eine verständliche Einführung, wie Kriminelle diese Flüsse strukturieren, veröffentlicht die Financial Action Task Force (der globale AML-Standardsetzer) zugängliches Material unter fatf-gafi.org.

🎬 [VIDEO: „How Money Laundering Works“ - youtube.com - eine klare animierte Erklärung des Place-Layer-Integrate-Modells hinter der AML-Erkennung]

Schicht 3: Machine Learning

Regeln codieren, was wir schon wissen. Machine Learning (ML) findet Muster, die wir nicht aufgeschrieben haben.

Zwei Varianten sind hier relevant.

Supervised Learning trainiert auf gelabelter Historie: vergangene Transaktionen, markiert als Betrug oder Nicht-Betrug. Das Modell lernt Kombinationen von Features (Betrag, Zeit, Gerät, Ort, Empfängerrisiko, Kontoalter), die mit bestätigtem Betrug korrelieren. Es bewertet neue Transaktionen dann von 0 bis 1.

Der Haken: Supervised-Modelle brauchen saubere Labels. Betrug, den Sie erwischt haben, ist gelabelt; Betrug, den Sie übersehen haben, ist stillschweigend als „gut“ gelabelt. Das Modell übernimmt Ihre blinden Flecken.

Unsupervised Learning braucht keine Labels. Es markiert Anomalien: Verhalten, das von der eigenen Baseline eines Kunden oder von Peers abweicht. Unsere Überweisung um 2:14 Uhr ist gegenüber der eigenen Historie des Kunden anomal, also bringt ein Unsupervised-Modell sie nach oben, selbst wenn genau dieses Muster nie zuvor gesehen wurde.

Moderne Stacks kombinieren alle drei Schichten. Ein verbreitetes Design leitet eine Transaktion zuerst durch Regeln (schnell, günstig), bewertet die Überlebenden dann mit ML und reichert hohe Scores mit Netzwerk-Features an, bevor ein Mensch sie überhaupt sieht.

Hier ein vereinfachter Scoring-Schritt:

# Signale zu einem einzigen Risk Score kombinieren
def score_transaction(txn, customer, graph):
    rule_hits = count_rule_triggers(txn, customer)      # z. B. 3
    ml_score  = fraud_model.predict_proba(txn)          # 0.0 - 1.0
    graph_risk = graph.mule_pattern_score(txn.payee)    # 0.0 - 1.0

    risk = (0.3 * min(rule_hits / 5, 1)
            + 0.4 * ml_score
            + 0.3 * graph_risk)

    if risk > 0.85:
        return "BLOCK_AND_REVIEW"
    elif risk > 0.5:
        return "HOLD_FOR_ANALYST"
    return "ALLOW"

Die Gewichte sind nicht willkürlich. Banken justieren sie gegen die False-Positive-Steuer und entscheiden, wie viele Analystenstunden jede Schwelle kosten wird.

Die Anforderung an Erklärbarkeit

Ein ML-Modell kann genau und trotzdem unbrauchbar sein, weil Banken Entscheidungen gegenüber Aufsichtsbehörden erklären müssen und, wenn sie eine legitime Zahlung blockieren, gegenüber Kunden.

Wenn ein Modell die Überweisung eines Kunden sperrt, kann die Bank nicht sagen „dem neuronalen Netz war unwohl“. Sie braucht Reason Codes: „markiert wegen unüblichem Betrag, neuem Empfängerland, Zeitpunkt außerhalb der Geschäftszeiten“. Deshalb stehen interpretierbare Techniken und Tools wie SHAP (eine Methode, die jedem Input-Feature einen Anteil am Score zuweist) neben den Modellen. Aufsichtsbehörden erwarten zunehmend Model Governance, Dokumentation und Bias-Tests, nicht nur Genauigkeit.

Das ist die Spannung des gesamten Felds: die leistungsfähigsten Modelle sind oft die am wenigsten erklärbaren, und das Bankgeschäft kann Erklärbarkeit nicht vollständig gegen Performance tauschen.

Was nach einem Alert passiert

Erkennung ist nur die Hälfte des Systems. Sobald unsere Überweisung markiert ist, startet ein Workflow.

Bei Betrug kann die Bank die Zahlung zurückhalten und eine Step-up-Authentifizierung auslösen: ein Anruf oder App-Prompt, um zu bestätigen, dass der Kunde sie wirklich veranlasst hat. Bei Bestätigung wird die Überweisung freigegeben. Wenn nicht, wird sie blockiert und das Mule-Konto möglicherweise gemeldet.

Bei AML reicht die Bank, wenn ein Investigator den Verdacht bestätigt, einen Suspicious Activity Report (SAR) ein, eine vertrauliche Meldung an die Finanzaufsicht (FinCEN in den USA). Entscheidend: die Bank darf dem Kunden in der Regel nicht mitteilen, dass ein SAR eingereicht wurde („Tipping off“ ist verboten). Der Kunde sieht nichts; die Meldung geht an Behörden, die sie mit Meldungen anderer Banken verknüpfen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Deshalb ist Datenqualität so wichtig. Ein SAR auf Basis unsauberer Daten wird ignoriert. Ein gut belegter, mit Netzwerkevidenz angereicherter wird zu verwertbarer Erkenntnis.

Warum Banken Daten zusammenlegen

Eine Bank sieht nur ihren eigenen Ausschnitt eines Geldwäschenetzwerks. Die Mule-Kette überschreitet oft Institutsgrenzen. Dieser strukturelle blinde Fleck treibt Information-Sharing-Vereinbarungen und Konsortialmodelle an, in denen Banken Signale beitragen, um bankübergreifende Muster zu erkennen, innerhalb strenger Datenschutzregeln.

Aufkommende Techniken wie Privacy-Preserving Analytics (Analyse gemeinsamer Risikosignale, ohne Rohkundendaten offenzulegen) sollen Banken Zusammenarbeit ermöglichen, ohne Datenschutzrecht zu verletzen. Das ist 2026 ein aktives Grenzgebiet, kein gelöstes Problem.

Die wichtigsten Erkenntnisse

• Betrug und AML nutzen dieselben Daten, optimieren aber unterschiedlich: Betrug auf Abfangen im Millisekundenbereich, AML auf einen belastbaren, meldefähigen Fall.
• False Positives sind der eigentliche Kostenfaktor. Der MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab für ein gutes System ist, mehr echten Betrug zu fangen und gleichzeitig weniger nutzlose Alerts an endliche Analystenteams zu schicken.
• Schichten stapeln sich, sie konkurrieren nicht. Regeln liefern Geschwindigkeit und Transparenz, Netzwerkanalyse zeigt kontenübergreifende Muster, ML findet das Unbekannte. Moderne Stacks betreiben alle drei.
• Erklärbarkeit ist eine harte Randbedingung, kein Nice-to-have. Ein Modell, das Sie einer Aufsichtsbehörde oder einem zu Unrecht betroffenen Kunden nicht erklären können, ist ein Risiko, unabhängig von der Genauigkeit.
• Der nächste Vorteil liegt in Zusammenarbeit. Geldwäsche überschreitet Institutsgrenzen, also geht die Erkennung in Richtung datenschutzkonformes Data Sharing.