Synthetische Finanzdaten
Synthetische Finanzdaten bestehen aus erzeugten Datensätzen, die ausgewählte Merkmale finanzieller Aktivitäten abbilden. Banken können damit Anwendungen testen, Analysemodelle entwickeln und ungewöhnliche Transaktionsszenarien untersuchen. Geeignete Datensätze erhalten die für eine konkrete Aufgabe erforderlichen Zusammenhänge, ohne jeden erzeugten Datensatz als anonym vorauszusetzen.
Ein Testdatensatz kann Konten, Kunden, Zahlungen und deren zeitliche Beziehungen abbilden. Der Wert synthetischer Finanzdaten hängt vom geplanten Experiment, den Qualitätsprüfungen und den Schutzmaßnahmen bei ihrer Erstellung ab. Finanzinstitute sollten diese Anforderungen festlegen, bevor sie ein Erzeugungsverfahren wählen oder Datensätze mit einem Technologieanbieter austauschen.
Nützliche Transaktionsdatensätze erzeugen
Synthetische Finanzdaten lassen sich aus statistischen Zusammenhängen bestehender Datensätze oder aus ausdrücklich entworfenen Simulationen erzeugen. Kontoreferenzen, Transaktionsbeträge und Zeitstempel benötigen konsistente Beziehungen, wenn eine Anwendung auf diesen Verknüpfungen beruht. Ein Datensatz, der einzelnen Zahlungen ähnelt, kann den Aktivitätsverlauf eines Kontos dennoch falsch abbilden.
Die FCA Synthetic Data Expert Group untersuchte Finanzanwendungen wie Datenanreicherung, Systemtests und Modellvalidierung. Bei einer Zahlungsmigration könnten Teams erwartete Salden, abgelehnte Überweisungen und doppelte Anfragen vor der Erzeugung festlegen. Diese Kriterien machen die erzeugten Datensätze anhand des untersuchten Bankprozesses bewertbar.
Betrugs- und Geldwäscheerkennung testen
Im April 2026 veröffentlichte die FCA ein Projekt zu synthetischen Daten für die Geldwäschebekämpfung, entwickelt mit Forschungs- und Branchenpartnern. Das Projekt modellierte das britische Privatkundengeschäft und ergänzte realistische Szenarien für Geldwäsche. Dadurch entsteht ein Forschungsumfeld zur Bewertung von Erkennungsansätzen, ohne deren Wirksamkeit in jeder Produktionsumgebung nachzuweisen.
Für die KI-Betrugserkennung können geeignete synthetische Szenarien mehrere Konten, Transaktionsfolgen und wechselnde Aktivitätsmuster verbinden. Teams sollten festlegen, welches Verhalten ein Erkennungssystem erkennen und welche legitimen Aktivitäten es akzeptieren soll. Eine künstliche Szenariensammlung ermöglicht kontrollierte Vergleiche, während beobachtete Produktionsergebnisse zur Bewertung der tatsächlichen Leistung erforderlich bleiben.
Statistische Ähnlichkeit und Nutzen prüfen
Übereinstimmende durchschnittliche Transaktionswerte belegen nicht, dass ein Datensatz seine vorgesehene Aufgabe unterstützt. Ein Modell kann von saisonalen Mustern, Beziehungen zwischen Gegenparteien oder seltenen Merkmalskombinationen abhängen. Die relevanten Prüfungen müssen deshalb dem Finanzprozess und den bewerteten Entscheidungen folgen.
FCA-Forschung unterscheidet Datenschutz, Nutzen und Wiedergabetreue bei der Bewertung synthetischer Daten. Wiedergabetreue betrifft die Ähnlichkeit mit relevanten Ausgangsmerkmalen, während Nutzen die Eignung für eine bestimmte Anwendung betrifft. Teams sollten vor der Erzeugung Akzeptanzkriterien vereinbaren und Ergebnisse mit einem angemessen geschützten Referenzdatensatz vergleichen.
Datenschutz vor der Weitergabe bewerten
Erzeugte Datensätze können Informationen über die in ihren Ausgangsdaten enthaltenen Personen bewahren. Seltene Merkmalskombinationen und gespeicherte Beispiele können Offenlegungsrisiken verursachen, selbst wenn direkte Kennungen verschwunden sind. Eine Datenschutzprüfung sollte das Erzeugungsverfahren, die Ausgangspopulation und das für mögliche Empfänger verfügbare Wissen untersuchen.
Die CNIL benennt Risiken durch Memorieren und Rückschlüsse bei der KI-Entwicklung sowie Maßnahmen zur Sicherung von Entwicklungsdaten. Synthetisch bedeutet deshalb nicht automatisch anonym oder von Datenschutzanforderungen befreit. Institute benötigen eine Bewertung, die ihren tatsächlichen Datensätzen, Empfängern und geplanten Weitergabevereinbarungen entspricht.
Modellbewertung unabhängig halten
Ein Generator und ein Vorhersagemodell können dieselben Schwächen übernehmen, wenn beide aus eng verwandten Datensätzen lernen. Eine ausschließlich anhand erzeugter Beispiele erfolgende Modellbewertung kann dann Fehler gegenüber echten Kunden verbergen. Teams sollten eine unabhängige Bewertungsstrategie bewahren und erläutern, welche Fragen der synthetische Datensatz beantworten kann.
Die Modellvalidierung in Banken sollte untersuchen, ob die Leistung bei relevanten Veränderungen finanzieller Aktivitäten erhalten bleibt. Seltene Szenarien helfen, Annahmen zu hinterfragen, doch ihre künstliche Häufigkeit belegt keine reale Verbreitung. Vergleiche sollten außerdem Fehler bei verschiedenen Kundengruppen untersuchen, wenn solche Unterschiede für die geplante Entscheidung relevant sind.
Daten zwischen Finanzorganisationen teilen
Der Data Hub der Europäischen Kommission unterstützt Finanzinnovationen mit synthetischen Datensätzen über die EU Digital Finance Platform. Solche Umgebungen können teilnehmenden Teams einen gemeinsamen Ausgangspunkt für Experimente bieten. Ihr Nutzen hängt weiterhin davon ab, ob verfügbare Merkmale und Beziehungen zur geplanten Finanzanwendung passen.
Die Universität St. Gallen untersuchte mit zwei Banken ein Ökosystem synthetischer Daten im Projekt SynDEc. Für eine vergleichbare Zusammenarbeit sollten Beteiligte die erforderlichen Muster, verantwortlichen Prüfer und zugelassenen Empfänger benennen. Forschungsteilnahme allein belegt nicht, dass ein Datensatz für die uneingeschränkte kommerzielle Verbreitung geeignet ist.
Datensatz und Umsetzungspartner auswählen
Eine Beschaffungsbeschreibung sollte den Bankprozess, die erwarteten Testentscheidungen und die von erzeugten Datensätzen zu bewahrenden Zusammenhänge benennen. Anbieter sollten ihren Umgang mit Zeitfolgen, seltenen Ereignissen, Reproduzierbarkeit und Änderungen zwischen Datensatzversionen erklären. Käufer sollten getrennte Nachweise zu Datenschutz und Aufgabenleistung verlangen, weil ein Gesamtqualitätswert wichtige Unterschiede verdecken kann.
KI-Governance in Banken verbindet diese Entscheidungen mit klarer Verantwortlichkeit und dokumentierten Freigaben. Ein Institut sollte festlegen, wer Ausgangsdaten einsehen, erzeugte Datensätze freigeben und eine fehlerhafte Version zurückziehen darf. Ein erstes Experiment sollte eine klare Akzeptanzentscheidung ergeben, bevor weitere Teams oder Partner den Datensatz erhalten.
Können erzeugte Daten reale Finanzbeobachtungen ersetzen?
Die Antwort hängt von der Frage und den für ihre Klärung erforderlichen Nachweisen ab. Synthetische Datensätze können wiederholbare Tests, kontrollierte Fehlerszenarien und Entwicklung bei eingeschränktem direktem Zugriff auf Kundendaten unterstützen. Sie können nicht beweisen, wie häufig ein erfundenes Szenario in einer tatsächlichen Kundenpopulation auftritt.
Eine Produktionsentscheidung benötigt deshalb Nachweise zu den relevanten realen Betriebsbedingungen. Finanzinstitute sollten dokumentieren, wo erzeugte Datensätze nützliche Nachweise liefern und wo zusätzliche Beobachtungen erforderlich bleiben. Diese Grenze macht synthetische Daten zu einem definierten Testinstrument innerhalb eines übergeordneten Bewertungsprozesses.
Synthetische Finanzdaten und Finance Loop
Finance Loop verbindet Finanzinstitute, Technologieunternehmen und Forschende, die europaweit mit neuen Finanztechnologien arbeiten. Unternehmen können Kontakte zu passenden Fachleuten für Bankdaten, Modelltests und Datenschutz besprechen. Der aktuelle regionale Schwerpunkt liegt in Mitteleuropa, mit professionellen Beziehungen über Ländergrenzen hinweg.
Finance Loop ist ein Experten-Netzwerk, das den institutionellen Einsatz neuer Technologien im Finanzwesen unterstützt. Unternehmen können ihre Anforderungen und passende Expertenkontakte besprechen, bezogen auf ein definiertes Vorhaben mit synthetischen Finanzdaten.