Kausale Graphenmerkmale verbessern die Erkennung von Finanzbetrug in Zeitnetzen

Ein neues Verfahren zur Extraktion von Graphenmerkmalen, das die zeitliche Struktur von Transaktionsnetzwerken berücksichtigt, hat das Potenzial, die Erkennung von betrügerischen Aktivitäten deutlich zu verbessern. Durch die Analyse von Netzwerkmerkmalen wie Knotengrad, PageRank, HITS-Hub- und Autoritätswerten, k-Core-Indizes und Erreichbarkeitsmaßen lassen sich Muster erkennen, die über reine Transaktionsattribute hinausgehen.

Das Verfahren verhindert Look‑Ahead‑Bias, indem es kausale Varianten der Merkmale berechnet, die ausschließlich auf bis zu jedem Zeitpunkt beobachteten Kanten basieren. Auf Basis des Elliptic-Datensatzes wurden gerichtete Transaktionsgraphen erstellt und die interpretierbaren Strukturdaten extrahiert. Ein Random‑Forest‑Classifier, der mit strengen zeitlichen Aufteilungen trainiert wurde, erzielte eine ROC‑AUC von etwa 0,85 und eine durchschnittliche Präzision von 0,54 auf einem zukünftigen Testzeitraum.

Obwohl Transaktionsattribute weiterhin die dominierende Vorhersagekraft besitzen, liefern die graphenbasierten Merkmale ergänzende Interpretierbarkeit und ermöglichen eine kontextuelle Risikobewertung für Ermittlungsabläufe. Zusätzlich wurden die operative Nützlichkeit mittels Precision@k und die Zuverlässigkeit der Wahrscheinlichkeiten über Kalibrierungskurven und Brier‑Scores bewertet. Die Ergebnisse zeigen, dass kalibrierte Modelle bessere, ausgerichtete Wahrscheinlichkeiten für die Triage liefern.

Insgesamt unterstreicht die Studie die praktische und interpretierbare Ergänzung kausaler Graphenmerkmale für zeitbasierte Betrugserkennungspipelines und eröffnet neue Perspektiven für die Analyse von Finanznetzwerken.