Hinter jeder blockierten Einzahlung oder zurückgehaltenen Auszahlung steht eine Zahl: der KYT-Risikoscore. Diese einzelne Zahl entscheidet, ob eine Einzahlung freigegeben, eine Auszahlung zurückgehalten oder eine Verdachtsmeldung eingereicht wird. Käufer und Prüfer stellen dieselbe Frage: Wie genau ist dieser Score, und kann das Team erklären, warum er so ausfällt? Dieser Leitfaden erläutert, was Risikoscoring-Tools für Krypto-Transaktionen messen, den Zielkonflikt zwischen Genauigkeit und Nachvollziehbarkeit, die Forderung der Aufsicht nach verständlichen Scores und die Kriterien einer Tool-Bewertung. Den Screening-Workflow hinter diesen Scores beschreibt Phalcon Compliance. Diese Seite ist Teil des KYT-Wissensportals.
Was KYT-Risikoscores messen
Ein KYT-Risikoscore fasst die Exposition einer Adresse oder Transaktion gegenüber illegalen Aktivitäten zusammen. Er beruht auf zwei Arten von Eingangsdaten: direkter Exposition gegenüber bekannten illegalen Gegenparteien und indirekter Exposition über mehrstufige Geldpfade.
Direkte Exposition ist einfacher. Hat eine Adresse mit einer sanktionierten Entität, einem Darknet-Marktplatz, einem Mixer oder einer nach einer Beschlagnahme gekennzeichneten Adresse interagiert, ist diese Verbindung ein direkter gekennzeichneter Treffer. Bei indirekter Exposition unterscheiden sich Scoring-Engines. Gelder bewegen sich über Zwischenschritte, und Verschleierung soll nachverfolgbare Exposition verdünnen. Eine Engine ohne mehrstufige Pfade unterschätzt das Risiko; eine, die jeden Schritt gleich riskant behandelt, überschätzt es.
Geeignete Engines quantifizieren mehrstufige Belastungen. Phalcon Compliance weist Exposure Value aus, den absoluten Betrag illegaler Gelder, der die Adresse über nachverfolgte Pfade erreicht hat, und Exposure Percentage, diesen Betrag als Anteil der gesamten Zuflüsse. Zusammen beantworten sie zwei Prüferfragen: Wie viel illegales Geld hat diese Adresse berührt, und welcher Anteil ihrer Aktivitäten ist illegal belastet? Die erste Größe bestimmt eine Einfrierentscheidung, die zweite eine Entscheidung zur Risikoreduzierung.
Zusätzlich zur Exposition bündelt der Score Risikoindikatoren. Er zeigt 17 Risikoindikator-Kategorien für sanktionierte Entitäten, Darknet-Marktplätze, Mixer, Betrugssysteme, Diebstähle, Terrorismusfinanzierung, Kinderschutz, Betrug, Glücksspiel und weitere illegale oder risikoreiche Aktivitäten. Jeder Indikator ist ein gekennzeichnetes, zuordenbares Signal. Der Score ist die gewichtete Kombination dieser Indikatoren und der Expositionswerte, kein undurchsichtiges Modellergebnis.
Erkennungsleistung und Erklärbarkeit abwägen
Die Genauigkeitsfrage ist nicht eindimensional. Es gibt zwei Arten von Genauigkeit, die in unterschiedliche Richtungen ziehen.
Die erste ist die Erkennungsgenauigkeit: Wie gut erkennt die Engine neue, bisher unbekannte Geldwäschemuster? Black-Box-Modelle des maschinellen Lernens sind hier im Vorteil. Ein auf Graphmustern trainiertes Modell kann eine noch nie gekennzeichnete Stückelungs- oder Verschleierungsfolge markieren, weil sie statistisch bekannten problematischen Verhaltensweisen ähnelt. Bei neuen Typologien erkennt ein Verhaltensmodell, was eine reine Kennzeichnungs-Engine übersieht.
Die zweite ist die Nachvollziehbarkeit: Kann das Team schriftlich und in einer Prüfung erklären, warum ein Score so ausfällt? Hier sind kennzeichnungsbasierte transparente Engines im Vorteil. Ein Score aus benannten Risikoindikatoren und quantifiziertem Exposure Value ist konstruktionsbedingt erklärbar. Compliance-Verantwortliche können auf Indikator, Gegenpartei und Betrag verweisen und dies in eine Verdachtsmeldung aufnehmen. Ein Score aus internen Modellgewichten lässt sich nicht auf dieselbe Weise aufschlüsseln. Die Lücke zwischen Score und Erklärung führt zu Prüfungsbefunden.
Ein teureres Tool löst den Zielkonflikt nicht. Eine transparente Engine ist nur so aktuell wie ihre Kennzeichnungen. Startet diesen Monat ein neuer Mixer und ist dessen Kennzeichnung noch nicht verbreitet, unterschätzt die Engine Risiken bereits verbundener Adressen. Ein Verhaltensmodell erkennt das Muster früher, kann den Treffer aber nur schwer aufsichtstauglich erklären. Der realistische Ansatz kombiniert beides: kennzeichnungsbasierte Indikatoren für Nachvollziehbarkeit und Verhaltenserkennung für neue Muster.
Warum die Aufsicht nachvollziehbare Scores verlangt
Der risikobasierte Ansatz der FATF verpflichtet VASPs, ihre eingegangenen Risiken zu verstehen. FinCENs Vorschrift zu AML-Programmen (31 CFR 1022.210) verlangt zudem ein dokumentiertes und zur Prüfung verfügbares Programm. Deshalb muss sich die Begründung einzelner Entscheidungen rekonstruieren lassen. Die Aufsicht beurteilt einen Risikoscore nicht isoliert, sondern die Begründbarkeit der daraus abgeleiteten Entscheidung. Ein hoher Score, der zum Einfrieren führte, muss begründbar sein. Dasselbe gilt für einen niedrigen Score, der eine später als illegal erkannte Transaktion freigab. Ein vom Compliance-Team nicht erklärbarer Score gilt als Programmlücke, unabhängig von der Genauigkeit der Engine.
Das zeigt sich im Betrieb. Compliance-Fachkräfte mit Krypto-Screening-Tools beschreiben die Erklärung von Risikoscores gegenüber der Aufsicht als laufenden operativen Druck, nicht als theoretische Präferenz. Prüfzyklen drehen sich immer wieder um erklärbare Scoring-Entscheidungen. Nicht aufschlüsselbare Scores werden zur Ursache von Prüfungsbefunden.
Der regulatorische Rahmen bestätigt dies. Der risikobasierte FATF-Ansatz für VASPs erwartet laufende Überwachung und eine prüfbare Methodik, nicht nur ein Ergebnis. Eine prüfbare Scoring-Methodik gilt als Beleg eines funktionierenden Programms. Ein nicht prüfbarer Black-Box-Score gilt als Kontrolle, die nur auf dem Papier besteht und nicht verifizierbar ist – schlechter als eine einfachere, aber überprüfbare Kontrolle. Genauigkeit ohne Nachvollziehbarkeit scheitert an der Prüfung. Nachvollziehbarkeit ohne Genauigkeit scheitert an der Erkennung.
Transparentes Scoring: 17 Risikoindikator-Kategorien und quantifizierte Exposition
Eine transparente Scoring-Engine legt ihre Eingaben offen. Phalcon Compliance folgt diesem Grundsatz. Jeder ausgegebene Risikoscore lässt sich auf einen benannten Satz von 17 Risikoindikator-Kategorien und auf die quantifizierten Kennzahlen Exposure Value und Exposure Percentage zurückführen. Compliance-Verantwortliche sehen, welche Indikatoren ausgelöst wurden, welche Gegenparteien dafür verantwortlich waren und in welchem Umfang illegale Gelder durch die Adresse flossen.
Die 17 Kategorien decken die von Prüfern erwarteten Bereiche ab: sanktionierte Entitäten und Adressen, Darknet-Marktplätze, Mixing-Dienste, Betrug und betrügerische Projekte, gestohlene Gelder, Terrorismusfinanzierung, Darstellungen sexueller Ausbeutung von Kindern, Glücksspiel sowie weiteres risikoreiches und illegales Verhalten. Jeder Indikator ist gekennzeichnet und zuordenbar. Der Score bündelt benannte Signale, die einzeln geprüft, hinterfragt und in eine Bearbeitungsentscheidung oder Meldung aufgenommen werden können.
Exposure Value und Exposure Percentage bilden über den Indikatoren die Quantifizierungsebene. Sie beantworten die Frage nach mehrstufiger Belastung, die binäre Markierungen nicht beantworten können. Eine Adresse mit niedrigem Expositionsanteil, aber hohem Expositionswert weist ein hohes Transaktionsvolumen mit einem begrenzten Anteil illegaler Gelder auf. Ein hoher Anteil bei niedrigem Wert kennzeichnet eine Adresse mit geringem Transaktionsvolumen, deren Zuflüsse überwiegend illegalen Ursprungs sind. Ein transparenter Score mit beiden Werten ermöglicht die passende Reaktion und das Einfrieren der richtigen Gelder.
Das praktische Ergebnis: Der Score ist konstruktionsbedingt prüfbar. Das Team muss die Begründung nicht nachträglich rekonstruieren. Sie wird mit dem Score geliefert.
Verhaltenserkennung plus Exposition: Neue Verschleierung erkennen und nachvollziehbar bleiben
Die Schwäche einer nur kennzeichnungsbasierten transparenten Engine ist die Verzögerung der Kennzeichnungen. Neue Typologien entstehen schneller, als Kennzeichnungen verbreitet werden. Anspruchsvolle Verschleierung soll nachverfolgbare Exposition unter die Auslöseschwelle drücken. Eine nur auf historischen Kennzeichnungen beruhende Scoring-Ebene übersieht neue Muster, bis der Bestand nachgezogen hat. Dann sind die Gelder häufig bereits weiterbewegt.
Die Antwort ist eine Behavioral Risk Engine über dem Indikator- und Expositionsscoring. Sie erkennt Muster im Zusammenhang mit Verschleierung, Stückelung und Geldbewegungstypologien, für die möglicherweise noch keine Kennzeichnung vorliegt. Sie betrachtet nicht nur die Herkunft, sondern auch die Art und Weise, wie die Gelder bewegt werden. Dadurch kann sie geldwäscheähnliche Aktivitäten markieren, selbst wenn keine einzelne Gegenpartei auf einer Sanktions- oder Illegalitätsliste steht.
Die Kombination erweitert die Erkennung und bewahrt zugleich die Nachvollziehbarkeit. Das Verhaltenssignal ersetzt das Indikator- und Expositionsscoring nicht, sondern ergänzt eine Ebene. Markiert die Verhaltens-Engine eine Adresse, ist dies ein eigenständiger Risikoindikator mit eigener Kennzeichnung und eigenem Audit-Trail. Compliance-Verantwortliche sehen weiterhin ein benanntes, zuordenbares Signal statt einer rohen Modellausgabe.
Das löst den Zielkonflikt zwischen Genauigkeit und Nachvollziehbarkeit realistisch auf. Eine transparente Engine, die gekennzeichnete Indikatoren und quantifizierte Exposition mit Verhaltenserkennung verbindet, kann neue Verschleierungsmuster erfassen, ohne die für Prüfungen nötige Nachvollziehbarkeit aufzugeben.
Ein Scoring-Tool für Ihr Team bewerten
Bei der Bewertung eines Risikoscoring-Tools für Krypto-Transaktionen muss die Genauigkeitsfrage in die drei Punkte aufgeschlüsselt werden, die bei einer Prüfung tatsächlich entscheidend sind. Ein Tool mit einer Stärke und zwei Schwächen scheitert dort, wo es am wichtigsten ist.
Erstens: Lässt sich der Score erklären? Das Tool muss neben dem Score benannte, zuordenbare Risikoindikatoren und quantifizierte Expositionswerte liefern, die das Team in Entscheidungen oder Meldungen übernehmen kann. Fordern Sie eine beispielhafte Score-Aufschlüsselung an und prüfen Sie, ob Indikatoren und Expositionszahlen sichtbar, benannt und auf Gegenparteien zurückführbar sind. Ohne diese Aufschlüsselung muss das Team den Score ohne Belege begründen.
Zweitens: Lässt sich der Score prüfen? Das Tool muss Screening-Historie, damaligen Score sowie ausschlaggebende Indikatoren und Expositionswerte bewahren. Prüfer fragen nach dem Score am Freigabetag, nicht nach dem heutigen Wert nach einer neuen Kennzeichnung der Adresse. Ein Tool ohne unveränderlichen historischen Datensatz kann diese Frage nicht beantworten.
Drittens: Lässt sich der Score begründen? Das Tool muss Schwellenwertlogik, Alarmweiterleitung und STR-Workflow des Teams unterstützen. Ein Score ist nur nützlich, wenn er in das Programm passt: mit Risikobereichen für Freigabe, Zurückhalten und Blockieren sowie einem Audit-Trail, der Score und Maßnahme verbindet. Ein sehr genauer, aber nicht integrierter Score ist eine Dashboard-Zahl, keine Kontrolle.
Ehrlich gestellt lautet die Genauigkeitsfrage: Liefert das Tool einen Score, auf dessen Grundlage das Team handeln, den es erklären und den es begründen kann – in dieser Reihenfolge? Das transparente Prinzip verbindet 17 Risikoindikator-Kategorien, Exposure Value und Exposure Percentage mit einer Behavioral Risk Engine, die die Erkennung ohne Verlust der Nachvollziehbarkeit erweitert. Entdecken Sie Phalcon Compliance und sehen Sie, wie die Scoring-Ebene die für Ihre Prüfungsunterlagen nötigen Indikatoren und Expositionswerte bereitstellt.
