Die Digitalisierung des Bankensektors hat in den vergangenen Jahren zu einer zunehmenden Anzahl betrügerischer Aktivitäten geführt. Die Entwicklung neuer, praktikabler Lösungen für die Betrugsdetektion ist dabei besonders herausfordernd, da die Branche eine Schwelle von 5 % an Falschpositiven bei der Betrugsdetektion einhalten muss, um finanzielle Verluste zu vermeiden. Die Anwendung traditioneller maschineller Lernalgorithmen begegnet weiteren Herausforderungen, wie beispielsweise Klassifizierungsdiskriminierung und hohem Energieverbrauch. Spiking Neural Networks (SNNs), die darauf ausgelegt sind, die natürlichen Prozesse des Gehirns nachzuahmen, bieten hier eine vielversprechende Alternative. Insbesondere auf neuromorpher Hardware zeichnen sie sich durch bemerkenswerte Energieeffizienz aus und eröffnen damit neue Perspektiven für nachhaltige künstliche Intelligenz. Unser Ansatz besteht darin, 1D-Convolutional Spiking Neural Networks einzusetzen, um die Betrugsdetektion im Bank Account Fraud-Datensatz zu verbessern, wobei die Hyperparameter mittels Bayesscher Optimierung angepasst werden. Ergebnisweise zeigen wir, dass diese Architekturen das Problem verzerter Daten bewältigen können, ohne die algorithmische Leistung gegenüber traditionelleren Ansätzen wie Gradient Boosting-Modellen zu beeinträchtigen. Zudem legen wir den Prozess der Bayesschen Optimierung der Hyperparameter dar, wodurch die Leistung dieser Algorithmen signifikant gesteigert wird.