Durch die steigende Komplexität von Finanzströmen und die zunehmende Menge an Daten und Information im Bankwesen entstehen neue Herausforderungen zur Erkennung und Bekämpfung von Geldwäsche. Um einzelne Strukturen und mögliche Auffälligkeiten zu erkennen, ist die Darstellung der Beziehungen von Akteuren und Unternehmen durch Netzwerke und Graphen ein vielversprechendes Instrumentarium. Diese Erstellung geht aber mit methodischen und praktischen Herausforderungen einher, die insbesondere die Datenlage und deren quantitative Analysen betreffen. Zum einen liegen nur eingeschränkte historische Daten zum Trainieren von quantitativen Modellen vor, zum anderen sind Informationen meist nur fragmentiert verfügbar oder durch regulatorische Auflagen nicht oder nur schwer zugänglich. Sowohl die Entwicklung als auch die Evaluierung quantitativer Algorithmen ist somit erschwert, der Bedarf nach transparenten und praktikablen quantitativen Analysemethoden aber hoch.
Im vorgeschlagenen Projekt möchten wir diese Herausforderungen beleuchten und den aktuellen Stand der Netzwerkanalyse und Graphentheorie im Bereich AML erfassen und evaluieren. Maschinelles Lernen sowie regelbasierte Systemmodellierung sollen hierbei methodisch eingesetzt werden, um zukünftig vorliegende Daten durch Digitalisierung und Automatisierung zuverlässig und transparent analysieren zu können. Der sicherheitskritische Aspekt von AML muss hierbei in der Methodenentwicklung eine starke Beachtung finden. Ein erster robuster, datengetriebener Ansatz zur Netzwerkanalyse soll vorbereitet werden, der sowohl wissenschaftlich fundiert als auch in der Praxis anwendbar ist.

• Prof. Dr. Christina Erlwein-Sayer (Projektleitung)

• Dr. Alla Petukhina (Projektmitarbeiter_in)

Investitionsbank Berlin

Transfer Bonus Einstiegsvariante