Betrug und Geldwäsche in Echtzeit erkennen

# Betrug und Geldwäsche in Echtzeit erkennen

Um 2:14 Uhr verlässt eine Überweisung über 48.000 $ das Konto eines Kleinunternehmens, Ziel ist eine Empfängerbank in einem Land, mit dem der Kunde noch nie Transaktionen hatte. Normalerweise 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 die 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 ersticken.

Zwei Probleme, die ähnlich aussehen, aber es nicht sind

Zuerst die Begriffe, denn Banken behandeln sie unterschiedlich.

Betrug ist Diebstahl: Jemand bewegt Geld ohne Autorisierung. Das Opfer ist meist der Kunde oder die Bank. Am wichtigsten ist Geschwindigkeit, 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 den AML-Regeln (Anti-Money-Laundering) zu erkennen und zu melden. Das relevante Untersuchungsfenster sind Tage oder Wochen, keine Millisekunden.

Beides beruht auf demselben Rohmaterial: Transaktionsdaten, Kundendaten und Verhaltensmuster. Aber die Betrugserkennung optimiert auf Abfangen in Echtzeit, während AML darauf optimiert, einen belastbaren Fall aufzubauen, den eine Aufsichtsbehörde akzeptiert.

Schicht 1: Regeln

Die älteste und noch immer häufigste Schicht ist eine Rules Engine: hart codierte Wenn-dann-Logik, von Analysten geschrieben.

Unsere Überweisung über 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: markiert werden Einzahlungen knapp unter der Meldegrenze von 10.000 $, die in den USA einen Currency Transaction Report auslöst. Zahlt jemand drei Tage hintereinander 9.500 $ ein, greift eine Regel.

Die Schwäche: Regeln sind starr und erzeugen enormes Rauschen. Ein Schwellwert 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 viel zitierte Schätzung, nicht als präzise Statistik).

Jeder Alert wird zu 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 lautet: mehr True Positives fangen und gleichzeitig False Positives reduzieren, denn die Analystenkapazität ist begrenzt. Ein Modell, das 10.000 Transaktionen markiert, um 5 echte Fälle zu fangen, kann schlechter sein als ein klügeres Modell, das 200 markiert, um 4 zu fangen.

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. Die Netzwerkanalyse (auch Graphanalyse) betrachtet Beziehungen zwischen vielen Konten.

Geldwäsche passiert selten auf einem einzigen Konto. Sie läuft über Ketten: Ein Mule-Konto empfängt Mittel, teilt sie auf, leitet sie weiter und schichtet sie über Banken hinweg, um die Spur zu verwischen. Jeder einzelne Hop sieht normal aus. Das Muster erscheint erst, wenn man die Punkte verbindet.

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

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

Unsere Überweisung über 48.000 $ wird im Kontext erneut geprüft. Hat das Empfängerkonto in derselben Nacht ähnlich große Überweisungen von sechs nicht verbundenen Absendern erhalten und sofort weitergeleitet, ist das ein klassisches Mule-Muster, unsichtbar für eine Einzeltransaktionsregel, aber offensichtlich im Graph.

Eine verständliche Einführung dazu, wie Kriminelle diese Flüsse aufbauen, veröffentlicht die Financial Action Task Force (der globale AML-Standardsetzer) 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 kodieren, 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, Standort, 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 erkannt 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 vorher 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 jeder Schwellwert kosten wird.

Die Anforderung an Erklärbarkeit

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

Wenn ein Modell die Überweisung eines Kunden einfriert, 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 Beitrag zum Score zuordnet) neben den Modellen. Aufsichtsbehörden erwarten zunehmend Model Governance, Dokumentation und Bias-Testing, nicht nur Treffsicherheit.

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

Was passiert, nachdem ein Alert ausgelöst wurde

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

Bei Betrug kann die Bank die Zahlung zurückhalten und eine Step-up-Authentifizierung auslösen: einen Anruf oder App-Prompt, um zu bestätigen, dass der Kunde sie wirklich veranlasst hat. Bei Bestätigung wird die Überweisung freigegeben. Andernfalls 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 Finanzaufsichtsbehörden (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 Netzwerkbeweisen angereicherter SAR wird zu verwertbarer Intelligence.

Warum Banken Daten zusammenlegen

Eine Bank sieht nur ihren eigenen Ausschnitt eines Geldwäschenetzwerks. Die Mule-Kette läuft oft über Institute hinweg. Dieser strukturelle blinde Fleck treibt Vereinbarungen zum Information Sharing und Konsortialmodelle, bei denen Banken Signale beitragen, um bankübergreifende Muster zu erkennen, innerhalb strikter Datenschutzregeln.

Aufkommende Techniken wie Privacy-Preserving Analytics (Analyse gemeinsam genutzter Risikosignale ohne Offenlegung von Rohkundendaten) sollen Banken die Zusammenarbeit ermöglichen, ohne Datenschutzrecht zu verletzen. Das ist 2026 eine aktive Front, kein gelöstes Problem.

Die wichtigsten Punkte

• Betrug und AML nutzen dieselben Daten, optimieren aber unterschiedlich: Betrug auf Abfangen in Millisekunden, 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 vergeudete Alerts an begrenzte Analystenteams zu schicken.
• Die Schichten stapeln sich, sie konkurrieren nicht. Regeln liefern Geschwindigkeit und Transparenz, Netzwerkanalyse deckt kontenübergreifende Muster auf, 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 geschädigten Kunden nicht erklären 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, ist ein Risiko, unabhängig von der Treffsicherheit.
• Der nächste Vorteil liegt in der Zusammenarbeit. Geldwäsche läuft über Institute hinweg, also führt der Weg der Erkennung über datenschutzwahrendes Data Sharing.