Netzwerkanalyse für die Geldwäscheprävention – Eine systematische Literaturübersicht und experimentelle Evaluierung

Die Geldwäsche stellt eine weitverbreitete Herausforderung dar, die die Gesellschaft belastet, da sie illegale Aktivitäten finanziert. Aufgrund der Verflechtungen zwischen Beteiligten wird zunehmend untersucht, wie Netzwerkinformationen effektiver zur Bekämpfung der Geldwäsche eingesetzt werden können. Dies hat zu einem starken Anstieg der Forschung zu Netzwerkanalytik (NA) im Bereich Anti-Geldwäsche (AML) geführt. Die bestehende Literatur zu NA für AML ist jedoch fragmentiert, und es fehlt eine umfassende Übersicht über die vorliegenden Arbeiten. Dies führt zu einer eingeschränkten Einsicht in die anwendbaren Methoden sowie deren vergleichbare Erkennungskapazität. Daher präsentiert dieser Artikel eine umfassende und einzigartige Literaturübersicht, basierend auf 97 Studien aus den Datenbanken Web of Science und Scopus, die ein Taxonomie-Modell gemäß einem kürzlich vorgeschlagenen Fraud-Analytics-Framework aufbaut. Wir stellen fest, dass die überwiegende Mehrheit der Forschung auf expertenbasierten Regeln und manueller Merkmalsgenerierung beruht, während Methoden des tiefen Lernens an Bedeutung gewinnen. Zudem wird ein umfassendes Framework vorgestellt, um die Leistungsfähigkeit prominenter NA-Methoden in einer standardisierten Umgebung zu bewerten und zu vergleichen. Dieses Framework wird an zwei öffentlich verfügbaren Datensätzen angewendet, wobei manuelle Merkmalsgenerierung, auf Random Walk basierende Ansätze sowie tiefes Lernen miteinander verglichen werden. Wir schließen daraus, dass (1) die Netzwerkanalytik die Vorhersagekraft erhöht, jedoch Vorsicht bei der Anwendung von Graph Neural Networks (GNNs) aufgrund der Klassenungleichgewichte und der Netzwerktopologie geboten ist, und dass (2) bei der Nutzung von Open-Source-Daten Vorsicht geboten ist, da diese zu überoptimistischen Ergebnissen führen können. Die öffentlich verfügbare Implementierung ermöglicht es Forschern und Praktikern, die Ergebnisse zu erweitern und an proprietären Daten zu experimentieren, und fördert somit einen standardisierten Ansatz für die Analyse und Bewertung der Netzwerkanalytik im Bereich AML.