Für viele Finanzinstitute hat es sich als schwierig erwiesen, die Gesetzgebung zur Bekämpfung der Geldwäsche (AML) kostengünstig und effizient umzusetzen. Können fortgeschrittene Technologien angesichts der erheblich steigenden Ausgaben für Geldwäschebekämpfung für die Banken eine Lösung sein?

Es wird geschätzt, dass Geldwäsche schwindelerregende 2-5% des globalen BIP pro Jahr ausmacht. Die Digitalisierung von Bankdienstleistungen hat zweifellos eine Reihe von Vorteilen gebracht, die Umsetzung effizienter AML-Strategien jedoch wesentlich komplexer gemacht. Aber können die mit den Finanztransaktionen verbundenen Daten auch dazu genutzt werden, um die an Geldwäsche Beteiligten besser zu identifizieren?

Die Kosten für Compliance

Strengere und umfassendere Vorschriften gegen Geldwäsche haben viele Finanzinstitute gezwungen, ihre Arbeitsweise in Bezug auf AML zu überdenken. Die Einhaltung gesetzlicher Anforderungen, häufig in Kombination mit Alt-Systemen, hat zu ineffizienten, arbeitsintensiven Prozessen geführt und erhöhte Investitionen bei geringer Rendite gefordert.

Während Banken über umfassende Erfahrung in der Bewertung des Kreditrisikos verfügen, erweist sich die Ermittlung nicht-finanzieller Risiken, auf dem in der EU-Geldwäscherichtlinie vorgeschriebenen Niveau, als Herausforderung. In den letzten Jahren gab es beispielsweise eine Reihe brisanter Fälle, die zeigten, dass europäische Finanzinstitute Geldwäsche im großen Stil nicht verhindern konnten.

Traditionell basiert die Erkennung von Geldwäsche auf einem regelbasierten System, nach dem Transaktionen gekennzeichnet und einer manuellen Prüfung zugeführt werden. Zu den Kriterien eines regelbasierten Systems gehören z.B. die Art der Überweisung, ob ein bestimmter Betrag in bar eingezahlt oder abgehoben wurde, die Herkunft oder das Ziel (z. B. Länder mit „hohem Risiko“) oder die Häufigkeit von Transaktionen.

Machine Learning kann die AML-Effektivität erhöhen und die Kosten senken

Wie können wir also Geldwäsche bekämpfen und Gesetze effektiver und effizienter einhalten, um letztendlich eine bessere Ressourcennutzung zu ermöglichen?

Viele Banken versuchen diese Frage zu beantworten, indem sie sich mit fortgeschrittenen Methoden zur Erkennung verdächtigen Verhaltens befassen, insbesondere in Form von Künstlicher Intelligenz und Machine Learning. Es besteht das Potenzial, sowohl beaufsichtigte (supervised) Modelle für Machine Learning zu verwenden, um die bereits vorhandene Überwachung zu verbessern, als auch unbeaufsichtigte (unsupervised) Modelle für Machine Learning zu entwickeln, um das Unbekannte zu erkunden und neue Trends bei verdächtigem Verhalten zu entdecken.

Finanzinstitute und Aufsichtsbehörden waren jedoch in der Vergangenheit oft schwer davon zu überzeugen, unbeaufsichtigte Lerntechnologien einzusetzen. Unbeaufsichtigte Methoden (sowie viele beaufsichtigte Methoden) sind eine „Black-Box“, was bedeutet, dass die Ergebnisse sich oft nur schwer rational erklären lassen.

Ein natürlicher erster Schritt, um die Fähigkeiten von Machine Laerning in Bezug auf AML zu untersuchen, kann darin bestehen, erklärbares Supervised Machine Learning einzusetzen, um die Effizienz bestehender Überwachungsprozesse zu steigern. Weiterentwickelte Techniken wie Unsupervised Machine Learning und Netzwerkanalyse können später implementiert werden, um die Gesamteffektivität der Überwachung zu erhöhen.

Die Anwendung neuer Technologien bei AML variiert zwischen den Finanzinstituten

Unsere Erfahrung aus der Zusammenarbeit mit Finanzinstituten bei der Bekämpfung der Geldwäsche zeigt, dass noch viele traditionelle regelbasierte Systeme einsetzen. Wir sehen jedoch Fortschritte bei der Verwendung komplexerer Techniken wie Supervised Machine Learning zur Verbesserung der Transaktionsüberwachung. Mit zunehmender Reife fortgeschrittener Analysemethoden wechseln Finanzinstitute von der Verwendung nur regelbasierter Methoden zu individuellen fortschrittlichen Modellen, einschließlich Supervised Machine Learning. In den ausgereiftesten Institutionen sind künstliche Intelligenz, regelbasierte Methoden und Netzwerkanalysen in ein ganzheitliches System integriert, um optimale Ergebnisse zu erzielen und so die Compliance-Kosten zu senken.

 

 

 

 

 

 

 

Abbildung: Der natürlicher Fortschritt bei der Verwendung fortschrittlicher Analysemodelle zur Unterstützung der Geldwäschebekämpfung.

Was konnte durch den Einsatz von Machine Learning  im AML-Prozess erreicht werden?

Wir haben skandinavischen Banken dabei unterstützt, erste Erkenntnisse aus Supervised Machine Learning für die Transaktions- und Kundenüberwachung zu bekommen. Wir konnten feststellen, dass bei der Anwendung von Supervised Machine Learning im AML-Prozess und der Erlaubnis für den Algorithmus, die Kriterien zur Identifizierung verdächtiger Aktivitäten zu verfeinern, eine Verbesserung der Prozesseffizienz sofort erkennbar war.

Der Erfolg des Algorithmus beruht auf seiner Fähigkeit, neue Regeln zu erstellen. Die Regeln basieren auf einem iterativen Prozesses aus Expertenmeinung, manueller Bewertung und automatisierter Überwachung von Transaktionen oder Kunden. Ein benutzerfreundliches Dashboard stellt wichtige Informationen zu den gekennzeichneten Kunden grafisch dar und dient damit der weiteren Optimierung des Bewertungsprozesses.

Abbildung: Flussdiagramm mit SML (Supervised Machine Learning) und dem AML-Prozess

Unsere eigenen Erfahrungen zeigen, dass bei Anwendung dieses Modells die Anzahl der relevanten Alerts erhöht und im Gegenzug die Gesamtzahl der Alerts verringert wird. Dies bedeutet weniger Aufwand für die manuelle Bewertung gekennzeichneter Kunden und mehr Geldwäscheverdachtsmeldungen pro manuelle Bewertung.

Nehmen wir beispielsweise bei einem traditionellen regelbasierten System an, dass alle Bargeldabhebungen über 50.000 NOK als verdächtig angesehen werden. Dies bedeutet, dass alle Kunden über der gepunkteten Linie für 50.000 NOK in der folgenden Abbildung markiert werden. Wie wir jedoch sehen können, wurde in der Vergangenheit nur ein kleiner Anteil der Kunden gemeldet. Durch Machine Learning können zusätzliche Kriterien identifiziert werden, welche Regeln konkretisieren können und somit verdächtige Kunden effizienter erfassen. Das wiederum führt zu einer Reduzierung vieler falsch positiver Alerts.

 

 

 

 

 

 

 

 

Abbildung: Grafik mit identifizierten Risikogruppen und Beschreibung

Nachdem wir diese Methode auf Banken in Skandinavien angewendet haben, konnten wir die folgenden Ergebnisse erzielen: Bezogen auf das Retailgeschäft der „Bank A“ wurden mehr als 18% der gekennzeichneten Kunden an die norwegische Financial Intelligence Unit (Økokrim) gemeldet, 12% davon waren neue Fälle. Es ist auch erwähnenswert, dass von diesen Fällen, 50% von den Mitarbeitern in der manuellen Alert-Prüfung als relevant eingestuft wurden. In einem anderen Fall, in welchem Supervised Machine Learning auf den Prozess angewendet wurde,  konnte eine Vervierfachung der als relevant eingestuften Alerts erreicht werden, während gleichzeitig die Anzahl aller Alerts um 25% gesunken ist.

Zusammenfassend ist zu sagen: Unsere Erfahrung zeigt, dass es heute eindeutig Potenzial dafür gibt, Daten und Technologien einzusetzen, um die Effizienz und Effektivität von AML-Prozessen zu steigern.

Wenn Sie mehr darüber erfahren möchten, wie wir Ihrem Unternehmen helfen können, die Kosten kurzfristig zu senken und fortgeschrittene Technologien zu nutzen, um mittelfristig eine effektivere und effizientere Geldwäschebekämpfung zu betreiben, können Sie sich gerne an uns wenden!

Wünschen Sie weitere Informationen?

Wenn Sie mehr über diese Publikation erfahren möchten, wenden Sie sich bitte an unsere Expert:innen, die gerne von Ihnen hören.