Handelsüberwachung mit KI: Warum Kontext wichtiger ist als die Anzahl Warnmeldungen

Die Teams in der Trade Surveillance stehen heute vor einer strukturellen Herausforderung: Die Komplexität der Märkte und die Menge an Informationen, die für eine Untersuchung relevant sein können, wachsen weit über menschliche Kapazitäten hinaus. Die Herausforderung lässt sich in drei miteinander verbundenen Bereichen betrachten.

Finanzinstitute überwachen Handelsaktivitäten über verschiedene Handelsplätze, Anlageklassen und Datenquellen hinweg. Wegen stärker vernetzter Märkte und immer ausgefeilteren Formen des Marktmissbrauchs müssen sie zudem ein breiteres Spektrum potenzieller Risiken beurteilen.

Hinzu kommen wachsende regulatorische Anforderungen an die Erkennung von Marktmissbrauch sowie deren Dokumentation und Überprüfbarkeit. Compliance-Teams müssen konsistente und nachvollziehbar begründete Entscheidungen gewährleisten.

Traditionelle Trade-Surveillance-Systeme arbeiten mit Schwellenwerten, was weiterhin eine wichtige Grundlage ist: Das System löst Warnmeldungen aus, wenn vordefinierte Grenzwerte überschritten werden – beispielsweise der Geldwert eines Auftrags oder das Handelsvolumen im Verhältnis zum gesamten Marktvolumen. Doch auch fein abgestimmte Systeme können grosse Mengen an False Positives erzeugen, die mit tatsächlich risikoreicheren Fällen um Ressourcen und Aufmerksamkeit konkurrieren.

Ein überschrittener Schwellenwert allein reicht meist nicht, um einen tatsächlich verdächtigen Fall von legitimer Marktaktivität zu unterscheiden. Für eine zuverlässige Beurteilung benötigen Compliance-Teams meist mehr Kontext. Je nach Fall umfasst der Kontext:

• Handelshistorie
• Zusammenhängende Warnmeldungen
• Kundenaktivitäten und Verhaltensmuster
• Marktbedingungen und Marktereignisse
• Frühere Untersuchungen und Fallentscheidungen von Compliance-Teams

Bei wachsenden Datenmengen besteht die Herausforderung daher nicht nur darin, die relevanten Warnmeldungen zu erkennen. Ebenso wichtig ist es, auf Kontextinformationen zugreifen und diese richtig interpretieren zu können.

Moderne Trade-Surveillance-Systeme können schon jetzt ungewöhnliches Verhalten zuverlässig identifizieren und Warnmeldungen auslösen. Die Herausforderung liegt zunehmend darin, relevante Warnmeldungen zu priorisieren, den dafür nötigen Kontext zu verstehen und Entscheidungen konsistent und effizient zu dokumentieren.

Analystinnen und Analysten können nicht jede einzelne Warnmeldung mit sämtlichen verfügbaren Kontextinformationen abgleichen. Die eigentliche Grenze liegt nicht allein in der Anzahl Warnmeldungen, sondern darin, die Aufmerksamkeit gezielt einzusetzen und relevante Informationen im richtigen Moment zusammenzuführen. Gleichzeitig müssen Genauigkeit, Konsistenz und Überprüfbarkeit gewährleistet bleiben. Zu ähnlichen Erkenntnissen kommen auch Aufsichtsbehörden: In ihrem Market Watch 86 vom Oktober 2026 stellte die britische Financial Conduct Authority (FCA) bei einigen untersuchten Brokern fest, dass die Verfahren Analystinnen und Analysten dazu anhielten, Gründe für das Schliessen einer Warnmeldung zu suchen, statt alle verfügbaren Informationen zu berücksichtigen. Unternehmen mit gut dokumentierten Verfahren zeigten dagegen in der Regel eine konsistentere Ersteinschätzung von Warnmeldungen und Entscheidungsfindung. Der Flaschenhals in der Handelsüberwachung hat sich damit von der Erkennung hin zu Kontext und Aufmerksamkeit verschoben. Genau hier gewinnt KI an Bedeutung.

In Tools wie SICAM ersetzt KI die Erkennung nicht. Regelbasierte, deterministische Algorithmen erzeugen weiterhin die Warnmeldungen: Analysieren sie dieselben Daten anhand derselben Parameter, entsteht dasselbe Ergebnis. Dadurch bleibt die Erkennung reproduzierbar und nachvollziehbar begründbar. Auf dieser Grundlage ergänzt KI jede Warnmeldung während des gesamten Untersuchungsprozesses um relevante Daten und Kontext. Analystinnen und Analysten erhalten dadurch eine breitere Grundlage für ihre Analysen und Entscheidungen.

Nach jeder Handelssitzung klassifiziert die in SICAM eingesetzte KI alle neuen Warnmeldungen automatisch nach Risikostufe, von likely discard bis escalate, und begründet die Bewertung schriftlich. Dabei berücksichtigt sie unter anderem, ob ähnliche Warnmeldungen bereits in der Vergangenheit aufgetreten sind, wie Analystinnen und Analysten diese bearbeitet haben und wie sie ihre Entscheidungen begründet haben.

Eine als False Positive geschlossene Warnmeldung mit einer klaren Begründung liefert damit wertvollen Kontext für die nächste ähnliche Warnmeldung. Ein Fall, der als Grenzfall eingestuft wurde, also geschlossen wurde, obwohl die Beurteilung nicht völlig eindeutig war, kann hingegen als Frühwarnsignal dienen, wenn vergleichbare Aktivitäten erneut auftreten.

Zusammen mit kundenspezifischen Richtlinien zur Fallbearbeitung kann das Compliance-Team die KI so über die Qualität der eigenen Dokumentation steuern, ohne dass sich die KI selbstständig neu trainiert. Damit ist auch die Qualität früherer Entscheidungen wichtig: Klare und vollständige Begründungen führen beim nächsten Mal zu besseren Vorschlägen. Das ist ein weiterer Grund, jeden Fallabschluss sorgfältig zu dokumentieren.

Die KI führt Informationen aus verschiedenen Quellen zusammen, darunter Transaktionen, Marktdaten, Kundenhistorien und warnmeldungsspezifische Daten. Indem sie aktuelle Aktivitäten mit relevanten historischen Informationen und Kontextdaten abgleicht, kann sie Auffälligkeiten, Risiken und Muster hervorheben, die andernfalls möglicherweise übersehen würden.

Auf der Grundlage der verfügbaren Informationen kann die KI einen Lösungsvorschlag für einen Fall erstellen. Analystinnen und Analysten prüfen diese Empfehlung, passen sie bei Bedarf an und genehmigen sie abschliessend. Dabei entscheiden sie, ob sie einen Fall schliessen, an die zuständige Stelle eskalieren oder weiter untersuchen.

KI kann auf Basis der Untersuchungsergebnisse konsistente und strukturierte Begründungen und Fallbeschreibungen entwerfen. Analystinnen und Analysten können diese als Grundlage für regulatorische Meldungen wie Suspicious Transaction and Order Reports (STORs) nutzen. Dies kann Konsistenz, Nachvollziehbarkeit und Effizienz der Berichterstattung verbessern, während die abschliessende Prüfung beim Analysten-Team bleibt.

Statt Informationen manuell zusammenzutragen, können Analysten-Teams mit einer strukturierten Fallübersicht beginnen und mehr Zeit darauf verwenden, die Hinweise zu prüfen, kritisch zu hinterfragen und zu bewerten. Statt als Blackbox zu fungieren, erstellt SICAM für jede KI-basierte Bewertung eine überprüfbare schriftliche Begründung in einer verständlichen und nachvollziehbar begründeten Form, die für Analystinnen und Analysten verwertbar ist und die sie kritisch hinterfragen können. Jede Interaktion mit der KI, einschliesslich Prompts und Antworten, wird protokolliert. Damit bleiben sämtliche KI-Outputs für Auditzwecke vollständig nachvollziehbar.

Mit dem Einsatz von KI verschiebt sich die Rolle der Analystinnen und Analysten in der Trade Surveillance: weg von der Verarbeitung und Dokumentation von Warnmeldungen, hin zur Bewertung von Hinweisen, zu fundierten Entscheidungen und sorgfältiger Kontrolle. Menschliche Ressourcen kommen verstärkt dort zum Einsatz, wo menschliche Kompetenzen auch tatsächlich gefordert sind. Entscheidend ist, diese Kompetenzen dauerhaft zu erhalten. Denn eine zu starke Abhängigkeit von KI kann genau jene Expertise schwächen, die notwendig ist, um den Output kritisch zu bewerten.

Unternehmen sind sich dieses Risikos bewusst: In einer Umfrage der französischen Finanzmarktaufsicht AMF vom Februar 2026 belegte eine zu starke Abhängigkeit von Technologie bei unzureichender menschlicher Kontrolle den zweiten Platz unter den wichtigsten KI-Risiken. Den Menschen in den Prozess einzubinden, nach dem Prinzip «Human in the Loop», war die am häufigsten eingesetzte Schutzmassnahme.

Ein anschaulicher Vergleich sind Fahrassistenzsysteme in modernen Autos. Sensoren überwachen das Umfeld und warnen oder bremsen, wenn etwas übersehen wird. Fortschrittlichere Systeme können das Fahrzeug zudem in der Spur halten und den Abstand regeln. Die Fahrerin oder der Fahrer behält jedoch die Kontrolle und bleibt verantwortlich. Für grundlegende Sicherheitssysteme ist der Nutzen belegt: Laut dem US-amerikanischen Insurance Institute for Highway Safety (IIHS) reduzieren Auffahrwarnsysteme in Kombination mit automatischer Notbremsung die Zahl der Unfälle, bei denen das eigene Fahrzeug auffährt, um rund die Hälfte. Dasselbe Institut stellte auch fest, dass Menschen am Steuer tendenziell weniger aufmerksam sind, je stärker sie sich auf solche Systeme verlassen. KI in der Handelsüberwachung folgt derselben Logik: Sie kann deutlich mehr Kontext zu einem Fall zusammenführen als eine einzelne Fachperson, weist auf Risiken und entlastende Faktoren hin und reduziert die Ermüdung durch zu viele Warnmeldungen. So werden weniger Fälle ohne angemessene Prüfung geschlossen. Doch wie im Strassenverkehr funktioniert dies am besten, wenn der Mensch das Steuer in der Hand behält.

Analystinnen und Analysten müssen deshalb verstehen, wo KI Mehrwert schafft und wo menschliches Handeln erforderlich bleibt. So stellen sie einen verantwortungsvollen und zuverlässigen Einsatz sowie die Erfüllung regulatorischer Pflichten sicher. Auch müssen sie die Grenzen von KI kennen: Sie selbst versteht den Kontext nicht, sondern führt lediglich relevante Informationen zusammen, die der Mensch bewerten kann.

Für die Qualität KI-gestützter Analysen ist die Datenbasis entscheidend: KI kann nur mit den ihr verfügbaren Informationen arbeiten und daraus lernen. Fragmentierte, unvollständige Daten oder eine generell unzureichende Governance können zu False Positives, verpassten Signalen und unzuverlässigen Schlussfolgerungen beitragen. Datenqualität und -integration bleiben deshalb grundlegende Voraussetzungen für eine wirksame KI-gestützte Trade Surveillance.

KI-gestützte Trade Surveillance sollte danach beurteilt werden, wie wirksam die Technologie menschliches Urteilsvermögen ergänzt. Die Aufgabe der KI sollte sein, den Aufwand für die Suche, Prüfung und Konsolidierung von Informationen sowie für die Erstellung von Dokumentationen zu reduzieren. Analystinnen und Analysten gewinnen dadurch mehr Zeit, um Hinweise zu bewerten, Empfehlungen kritisch zu hinterfragen und Entscheidungen zu treffen.

Je stärker KI in der Handelsüberwachung eingesetzt wird, desto mehr wird eine wirksame Governance selbst ein Bestandteil effektiver Überwachung. Die Regulierungsbehörden geben die Richtung klar vor: Unternehmen sind für KI-gestützte Entscheidungen verantwortlich und müssen verlässliche Daten, angemessene Tests, eine laufende Modellüberwachung sowie ausreichend Transparenz sicherstellen, damit KI-Outputs verstanden und kritisch hinterfragt werden können. Die Europäische Wertpapier- und Marktaufsichtsbehörde (ESMA) hält dazu fest, dass die Leitungsorgane für Unternehmensentscheidungen verantwortlich bleiben, unabhängig davon, ob Menschen oder KI-basierte Tools diese treffen.

In der Praxis helfen einige einfache Fragen: Werden Warnmeldungen weiterhin von regelbasierten Algorithmen erzeugt? Enthält jede KI-basierte Bewertung eine Begründung, die Analystinnen und Analysten prüfen und kritisch hinterfragen können? Wird jede Interaktion mit der KI protokolliert? Und können Analystinnen und Analysten jede KI-gestützte Entscheidung gegenüber der Aufsichtsbehörde erklären, ohne dafür die Hilfe des Anbieters zu benötigen?

Die Handelsüberwachung selbst entwickelt sich in Richtung einer breiteren Abdeckung, fundierterer Untersuchungen und einer adaptiven Nutzung von KI – bei weiterhin nachvollziehbaren Entscheidungen und einer klar getragenen Verantwortung.

Letztlich geht es darum, Warnmeldungen besser zu analysieren, statt lediglich mehr davon zu erzeugen, und gezielt herauszufiltern, worauf es wirklich ankommt. So können Analystinnen und Analysten ihre Zeit in jene Fälle investieren, die tatsächlich ihre Aufmerksamkeit erfordern. Gute Trade Surveillance bedeutet, die richtigen Signale zu erzeugen und den Analystinnen und Analysten den Kontext bereitzustellen, den sie benötigen, um daraus nachvollziehbare Begründungen und fundierte Entscheidungen abzuleiten.