Echtzeitzahlungssysteme bieten als Plattformdienste den Menschen eine schnelle, bequeme und einfache Zahlungslösung. Die Echtzeitzahlungsverordnung der Europäischen Union zielt darauf ab, SEPA-Echtzeitüberweisungen in Euro (SCT Inst) einzuführen, wobei alle Finanzinstitute sicherstellen müssen, dass inländische und grenzüberschreitende Zahlungsvorgänge innerhalb der EU jederzeit in weniger als 10 Sekunden ausgeführt werden können. Echtzeitzahlungssysteme ermöglichen den schnellen Transfer von Geldern zwischen Bankkonten; um jedoch die Geschwindigkeitsanforderungen der Plattform zu erfüllen, verkürzen sie die für die Betrugsüberprüfung vorgesehene Zeit. Folglich erhöht die geplante EU-weite Einführung des obligatorischen SCT-Inst-Dienstes das Potenzial für Finanzbetrug und damit das systemische Risiko. Eine Möglichkeit, Missbrauch einzudämmen, besteht darin, die Betrugserkennungssysteme der Banken gegen Transaktionen dieser Art und mit diesen Merkmalen effektiver zu machen, indem Finanzinstituten eine zentralisierte Betrugspräventionsfunktion zur Verfügung gestellt wird. Die DSGVO und das strenge Bankgeheimnis verlangen jedoch, dass diese Funktion die Betrugspräventionsbemühungen einzelner Banken so unterstützt, dass sensible, mit Kunden verbundene Informationen nicht an Dritte weitergegeben werden. Um dies sicherzustellen, untersucht die Studie die Anwendbarkeit von Federated Learning zur Erkennung von Finanzbetrug. Im Rahmen der Forschungsarbeit wurde ein auf föderiertem Lernen basierendes Framework zur Betrugserkennung entwickelt. Die Arbeit untersucht, inwiefern ein aus einer Reihe lokaler Modelle aggregiertes globales Modell die Betrugserkennungsfähigkeiten von Banken verbessern kann, während gleichzeitig das Prinzip der Pareto-Effizienz gewahrt bleibt. Die Untersuchung zeigt, dass die Heterogenität der Daten die Leistungsfähigkeit von Modellen zur Betrugsanalyse beeinflusst. Die Ergebnisse des Experiments belegen somit, dass der Einsatz eines globalen Modells nicht in jedem Fall von Vorteil ist; sein Nutzen variiert je nach Teilnehmer. In einigen Fällen kann es die Betrugspräventionsfähigkeiten einer lokalen Partei verbessern, in anderen Fällen hingegen verschlechtern. Darüber hinaus beeinflussen verschiedene Arten des Modell-Ensemblings die Leistung, was bedeutet, dass es Unterschiede gibt, inwieweit und wie ein Teilnehmer das global generierte Modell nutzen sollte.
de
Instant payment systems, as platform services, provide people with a fast, convenient, and simple payment solution. The European Union’s Instant Payment Regulation aims to introduce SEPA instant Euro credit transfers (SCT Inst), requiring all financial institutions to ensure that, within the EU, domestic and cross-border payment transactions can be executed in under 10 seconds at any time. Instant payment systems enable the fast transfer of funds between bank accounts; however, to meet platform speed requirements, they reduce the time allocated for fraud screening. Consequently, the planned EU-wide implementation of the mandatory SCT Inst service increases the potential for financial fraud, thereby raising systemic risk. One way to curb abuse is to make banks’ fraud detection systems more effective against transactions of this type and with these characteristics by providing financial institutions with a centralized fraud prevention capability. However, the GDPR and strict banking secrecy require that this capability assist individual banks’ fraud prevention efforts in such a way that sensitive information linked to customers is not disclosed to a third party. To ensure this, the research examines the applicability of federated learning for detecting financial fraud. As part of the research, a federated learning-based fraud detection framework was designed. The thesis analyzes which way a global model aggregated from a set of local models can improve banks’ fraud detection capabilities while adhering to the principle of Pareto efficiency. The research demonstrates that data heterogeneity affects the performance of fraud analysis models. Thus, the results of the experiment show that using a global model is not universally beneficial; its usefulness varies across participants. In some cases, it may improve a local party’s fraud prevention capabilities, while in others, it may worsen them. Furthermore, different types of model ensembling affect performance, meaning that the extent to which and how a participant should use the globally generated model varies.
