Open Source Intelligence: Geldwäscheprävention am Beispiel einer institutsübergreifenden Gefährdungsanalyse

power your business GRC speaker‘s corner Governance, Risk & Compliance www.scalaris.com Herausforderungen in der Finanzmarktaufsicht Geldwäscheprävention am Beispiel einer institutsübergreifenden Gefährdungsanalyse Von Prof. Dr. Henning Herzog Direktor School of Governance, Risk & Compliance l Steinbeis-Hochschule Berlin GmbH Die Komplexität und Mehrdimensionalität von Geldwäschevorgängen erfordert Aufsichts-, Kontroll- und Informationssysteme, die über die bekannten Rating- und Risikomanagement- systeme hinausgehen. Dies erfolgt auf Basis eines übergeordneten, theoretischen Risikoraumes unter Einbezie- hung sämtlicher Stakeholder, Informationsanbieter sowie der Auswertung von OSINT-Da- ten für die Geldwäscheprävention (OSINT = Open Source Intelligence). Dieser Risikoraum ist keinesfalls statisch, sondern unterliegt einer regelmäßigen Überprüfung und Anpas- sung. Dadurch entsteht ein belastbarer, effizienter und investitionssicherer Prüfungsrah- men, der eine institutsübergreifende und steilere Lernkurve im Zusammenhang mit der Geldwäscheprävention ermöglicht. Im Zuge der Finanzmarktkrise fordern die Öffentlichkeit, der Staat sowie eine Vielzahl wei- Ziel ist die Erarbeitung terer Interessengruppen neue und/oder verbesserte Aufsichts-, Kontroll- und Management- eines institutsüber- systeme. Eine besondere Herausforderung für die Aufsichtsorgane stellt das Aufsichtssystem greifenden Systems zur im Zuge des Geldwäschebekämpfungsergänzungsgesetzes (GeBekErgG) zur Prävention von Geldwäscheprävention. Geldwäsche, Terrorismusfinanzierung und Finanzbetrug dar. Im Gegensatz zu bestehenden Rating- oder Risikomanagementsystemen entsteht bei Geldwäschevorgängen im Regelfall für Finanzinstitute kein unmittelbar messbarer Schaden. Risiken von Geldwäschetatbeständen sind nur schwer erkennbar und deren Eintritt nur mittelbar sichtbar. Weiterhin sind Risiken und Verantwortungen nicht abwälz- und/oder versicherbar. So basieren die bisherigen Modelle zur Geldwäschebekämpfung im Regelfall auf überwie- gend institutsspezifischen Erkenntnissen aus bekannt gewordenen Einzelfällen (sogenannte Hellfeldanalyse). Das führt dazu, dass Gefährdungsanalysen und Sicherungsmaßnahmen auf bereits bekannte oder vermutete Risiken zugeschnitten sind. Unbekannte Risiken oder Typolo- gien werden dadurch vom jeweiligen Institut nicht erfasst und/oder vernachlässigt. Dunkelfeld berücksichtigen Die Erfassung und Analyse unbekannter Risiken aus Geldwäschevorgängen setzt jedoch ei- nen institutsübergreifenden, theoretischen Risikoraum voraus. Grundlage hierfür ist die syste- matische Analyse und Aufarbeitung sämtlicher potenzieller Vorgänge innerhalb der Bankge- schäfte anhand von validen, rechtlich zugänglichen und verfügbaren Informationen. Dabei wird in einem ersten Schritt von konkreten, rein institutsspezifischen Erkenntnissen zu Geld- wäschevorgängen (Hellfeldinformationen) abstrahiert und somit eine gleich verteilte Risiko- struktur unterstellt. Anschließend erfolgt eine abstrakte Ermittlung der potentiellen Risiken und Gefährdungen aus Geldwäsche (Dunkelfeld) über die Identifikation von Risikoklassen (Kunde, Finanzprodukt, Transaktion), entsprechender Risikoindikatoren (Länder, Branchen, Produkte, Senderland etc.) und Subindikatoren (Korruptionsindex, FATF Typologien, Kriminal- statistik u. v. a. m.) Intelligent Document Processing IDP I 1 I power your business GRC speaker‘s corner Governance, Risk & Compliance www.scalaris.com Die Identifikation von Risikoklassen, Indikatoren und Subindikatoren sowie deren Bewertung vollzieht sich über die Mitwirkung der beteiligten Stakeholder, wie beispielsweise Banken, Auf- sichtsorgane, Gesetzgeber, Ermittlungsbehörden, internationale Forschungseinrichtungen, externe Informationsanbieter, aber auch durch die Hinzunahme von validen OSINT-Daten. Eine Herausforderung besteht darin, diese Informationen systematisch auszuwerten, um trennscharfe und belastbare Typologien zur Geldwäschebekämpfung zu erarbeiten und um die Risikoindikatoren und Subindikatoren im Rahmen der Dunkelfeldanalyse zu validieren. Durch die unabhängige Kombination aus Risikoklassen, Risikoindikatoren und Subindikatoren entsteht im Ergebnis ein theoretischer, institutsübergreifender Risikoraum, der in ihm statt- findende Vorgänge unter Geldwäsche-Gesichtspunkten in Gruppen mit niedrigem, mittlerem und hohem Risiko strukturiert. Anschließend wird der ermittelte theoretische Risikoraum auf die Belange des Instituts an- gepasst, d.h. es erfolgt eine spezifische, risikobasierte Gefährdungsanalyse. Die abstrakten Erkenntnisse aus der Dunkelfeldanalyse in Form von unabhängigen bewerteten Risikomu- stern werden auf den institutsspezifischen Risikoraum angewandt und durch die abhängige Bewertung aus der einzelfallorientierten Hellfeldanalyse ergänzt. Dies führt zu einer Verbes- serung der Lernkurve. Dieser Risikoraum ist keinesfalls statisch, sondern unterliegt einer re- gelmäßigen Überprüfung und Anpassung. Dadurch entsteht ein belastbarer, effizienter und investitionssicherer Prüfungsrahmen. Intelligent Document Processing IDP I 2 I