Marktmissbrauch & Handelsüberwachung

Unternehmen, die Geschäfte ausführen oder vermitteln, müssen vermuteten Insiderhandel und vermutete Marktmanipulation erkennen und melden. Regelbasierte Szenarien erzeugen noch immer die meisten Alarme, und die meisten Alarme sind Fehlalarme. KI ergänzt Modelle zur Verhaltensanomalie auf Order- und Handelsdaten, Sprach- und Textanalyse der Kommunikation sowie LLM-Assistenten, die Alarme zusammenfassen und Meldungen entwerfen. Ziel sind weniger, bessere Alarme und schnellere, besser dokumentierte Untersuchungen; die rechtliche Entscheidung zur Meldung bleibt bei Menschen.

Problem & Nutzen

• Pflicht: Die EU-Marktmissbrauchsverordnung (MAR, Verordnung (EU) 596/2014) verbietet Insiderhandel (Art. 14) und Marktmanipulation (Art. 12), und Art. 16 verlangt von Marktbetreibern, Wertpapierfirmen und Personen, die beruflich Geschäfte vermitteln, wirksame Vorkehrungen, Systeme und Verfahren zur Erkennung und Meldung verdächtiger Orders und Geschäfte [1]. Die Delegierte Verordnung (EU) 2016/957 konkretisiert diese Vorkehrungen, einschließlich automatisierter Erkennung, menschlicher Analyse markierter Vorgänge und Schulung der Mitarbeiter [2].
• Heute: Ein Überwachungsteam stimmt regelbasierte Szenarien ab (Schwellen für das Verhältnis von Orders zu Geschäften, Preiswirkung, Stornierungsmuster), sortiert große Alarmwarteschlangen vor, liest Chats und hört Gespräche ab und entscheidet dann über eine STOR. Alarmmüdigkeit und isolierte Daten (Handel gegenüber Kommunikation) sind die klassischen Schmerzpunkte.
• KI-Nutzen: verhaltensbasierte Modelle, die sich an Handelstisch oder Instrument anpassen, zusammengeführte Sicht auf Handel und Kommunikation sowie automatische Anreicherung/Zusammenfassung von Alarmen. Anbieter berichten von geringeren Alarmmengen, doch veröffentlichte Zahlen sind anbieterspezifisch und nicht unabhängig geprüft; messen Sie an Ihren eigenen Daten (siehe Kennzahlen).

Varianten

• Manipulation des Orderbuchs (Spoofing, Layering, Momentum Ignition, Quote Stuffing): braucht Orderdaten in voller Tiefe mit Zeitstempel; Sequenz- und Graphmodelle.
• Insiderhandel: Geschäfte vor kursrelevanten Mitteilungen, verknüpft mit Insiderlisten, Teamlisten für Transaktionen und Eigengeschäften von Mitarbeitern auf Privatkonten.
• Wash Trades / Pump-and-Dump / produktübergreifende Manipulation: umfasst Rohstoffe, Energie (Überschneidung mit REMIT), FX-Benchmarks und OTC-Produkte.
• Kommunikationsüberwachung (E-Kommunikation und Sprache): Transkription, Übersetzung und semantische Klassifikation von Chats und Gesprächen; starke Auswirkungen auf DSGVO und Betriebsrat (zum Screening-Gegenstück siehe ANOM-016).
• Krypto-Märkte: MiCA führt Marktmissbrauchsregeln für Handelsplattformen für Kryptowerte ein; Anbieter wie Eventus und Solidus Labs bedienen dieses Segment (siehe ANOM-023).
• Buy-Side / Vermögensverwalter und Unternehmen: Eigengeschäfte, Front-Running und Verwaltung von Insiderlisten in kleinerem Maßstab.
• Seite von Aufsicht/Börse: Aufsichtsanalytik bei nationalen Behörden und Handelsplätzen (öffentliche Zielgruppe).

So funktioniert es

1. Order-/Handelsfeeds + Marktdaten + Kommunikation + HR-/Händlerlisten
2. Normalisierung & Zeitsynchronisation (FIX, Handelsplatz-Feeds, MiFID-II-Uhrensynchronisation, Instrumenten-Referenzdaten)
3. Merkmalsebene (Orderbuch-Sequenzen, Preiswirkung, Vergleichsgruppen-Basislinien, Entitäts-/Beziehungsgraph)
4. Erkennung: Regelszenarien + unüberwachte Anomaliemodelle + überwachte Alarmbewertung auf früheren Entscheidungen
5. Kommunikationsanalyse: ASR + Diarisierung
6. NER / Klassifikator / LLM-Vorsortierung, verknüpft mit Handelsalarmen
7. Alarmanreicherung (Nachrichten, Mitteilungen, Insiderlisten) und vom LLM entworfene Beschreibung
8. Prüfung durch Analysten (Human-in-the-Loop)
9. Eskalation an MLRO/Compliance
10. STOR an die zuständige Behörde
11. Rückkopplung: Entscheidungen trainieren die Bewertung nach; Modellvalidierung und Prüfpfad

• Hybrider Aufbau: Deterministische Szenarien bleiben für regulatorisch erklärbare Erkennungen mit hohem Gewicht; ML sortiert und unterdrückt Rauschen; LLMs helfen Ermittlern beim Lesen und Zusammenfassen, nicht beim Entscheiden. Behavox etwa beschreibt öffentlich agentische KI für offene Untersuchungen, aber deterministische, regelbasierte Modelle für Entscheidungen mit hohem Gewicht, validiert nach den Leitlinien zum Modellrisiko [3].
• Mensch-in-der-Schleife (Human-in-the-Loop): Jede STOR-Entscheidung, Eskalation und Begründung für den Abschluss eines Alarms trifft und dokumentiert ein namentlich benannter Compliance-Beauftragter. Die Meldung an die Behörde (z. B. BaFin in Deutschland) darf dem Kunden nicht offengelegt werden (kein Tipping-off; siehe Art. 16 MAR und Delegierte Verordnung 2016/957).

Datenaufbereitung

Benötigt werden Order- und Ausführungsereignisse von Handelsplätzen und OMS/EMS, Markt- und Referenzdaten, elektronische Kommunikation und aufgezeichnete Sprache, Insider- und Sperrlisten, Eigengeschäfte auf Privatkonten und Händlerlisten. In einem Finanzunternehmen liegen diese in Handelssystemen, Data Warehouses, Archivierungs- und Aufzeichnungsplattformen sowie in E-Mail- und Chat-Archiven. Typische Lücken: uneinheitliche Zeitstempel und Uhrensynchronisation über Handelsplätze hinweg, fehlende Instrumentenkennungen, auf mehrere Systeme verteilte Ereignisse im Orderlebenszyklus, nicht mit Händlern oder Geschäften verknüpfte Kommunikation, Sprachaufzeichnungen in proprietären Formaten und keine markierte Historie bestätigten Missbrauchs.

Aufbereitungsschritte: Order- und Handelsfeeds in ein einheitliches Ereignismodell mit synchronisierten Zeitstempeln und ISINs normalisieren; Kommunikation mit Personen und Orders verknüpfen (PREP-007); Sprache mit einem Speech-to-Text-Modell wie Whisper transkribieren (DATA-007) und mehrsprachige Chats übersetzen; Referenzdaten und Händlerlisten abgleichen (PREP-011); aus früheren Alarmen und abgeschlossenen Fällen gemeinsam mit Compliance-Fachleuten einen Bewertungssatz bauen (PREP-018, PREP-020); für die Modellentwicklung genutzte Daten pseudonymisieren (PREP-022) und strenge Zugriffsrechte durchsetzen (PREP-023). Rechnen Sie mit 50–60 % des Aufwands für die Datenarbeit. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg A, weil zertifizierte Überwachungssuiten etablierter Anbieter MAR-/MiFID-Szenarien, Anbindung an Handelsplätze und Prüfpfade abdecken, die Aufsichtsbehörden erwarten.
• Entwickler: Weg C, weil Open-Source-Erkennung und Speech-to-Text auf eigener Hardware sich eignen, um Überwachungskomponenten mit sensiblen Handels- und Kommunikationsdaten zu bauen oder zu bewerten.
• Öffentlicher Sektor: Weg C, weil Aufsichten und öffentliche Stellen souveränes Hosting, volle Kontrolle über die Logik und keine Abhängigkeit von Nicht-EU-Diensten für Marktdaten brauchen.

Weg A — Kaufen (Standardsoftware) (Standard für Banken, Broker, Handelsplätze)

• Spezialisierte Plattformen zur Handelsüberwachung: Eventus Validus (Handelsüberwachung über mehrere Anlageklassen, Risikokontrollen und Algo-Überwachung; sein Assistent „Frank AI“ für Abfragen in einfacher Sprache und Alarmprüfung; On-Premises-Betrieb möglich; stark an Krypto-Handelsplätzen) [4]; Nasdaq Trade Surveillance (früher SMARTS, weit verbreitet bei Börsen und Aufsichten); NICE Actimize (Module für Marktmissbrauch und Verhalten); Behavox Polaris (Handel) und Quantum (Kommunikationsüberwachung, 50+ Sprachen, laut Anbieter nach ISO/IEC 42001 zertifiziertes KI-Managementsystem) [3]; Global Relay und Smarsh (Erfassung und Überwachung elektronischer Kommunikation); Solidus Labs (Krypto). Datenresidenz und Hosting müssen vertraglich geprüft werden; Spezialisten mit Sitz in der EU existieren und sollten in jede Ausschreibung einbezogen werden, doch die EU-Herkunft ist je Anbieter zu prüfen.
• Wählen Sie A, wenn: reguliertes Unternehmen mit MAR-/MiFID-II-Pflichten, kein eigenes quantitatives Überwachungsteam. Aufsichtsbehörden erwarten dokumentierte Modellvalidierung und Abstimmung, die Anbieter mit fertigen Nachweisen unterstützen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Für die Assistenzebene nutzen, nicht für den Erkennungskern: Spitzen-LLMs in EU-Regionen (Claude über AWS Bedrock/Google Vertex in EU-Regionen, Mistral La Plateforme, Azure OpenAI EU Data Zone) fassen Alarme zusammen, übersetzen Chats und entwerfen STOR-Beschreibungen aus einem strukturierten Nachweispaket. Speech-to-Text über Cloud-ASR für Händlergespräche, wo das Aufbewahrungsrecht es erlaubt.
• Orchestrierung: Streaming-Einlesen (Kafka/Flink), ein Feature-Speicher, ein Alarm-Fallsystem (vorhandener Case Manager oder Eigenbau) und eine Agentenebene mit nur lesenden Werkzeugen auf den Alarmspeicher.
• Wählen Sie B, wenn: Sie bereits eine Überwachungs-Engine besitzen und die Werkzeuge der Ermittler modernisieren wollen; pseudonymisieren Sie personenbezogene Daten möglichst, bevor sie Ihren Perimeter verlassen.

Weg C — Selbst betreiben (Open Source)

• Erkennung: Python mit scikit-learn, XGBoost/LightGBM, PyOD (Isolation Forest, Autoencoder), PyTorch für Sequenzmodelle über Orderbuch-Ereignisse; Neo4j oder Memgraph für Entitäts-/Beziehungsverknüpfungen; Kafka + Flink oder Spark Structured Streaming; spaltenorientierter Speicher im Stil von ClickHouse/kdb+ für Tick-Daten (kdb+ ist kommerziell).
• Kommunikation: ASR der Klasse Whisper oder NVIDIA Parakeet, pyannote für Diarisierung, Open-Weight-LLMs (Llama-, Qwen-, Mistral-Familien) über vLLM für Vorsortierung und Zusammenfassungen.
• Hardware: HW3 für die LLM-/ASR-Ebene; Erkennungslasten sind CPU- bzw. spaltenspeicherlastig. Streng On-Premises ist üblich, weil Order- und Kommunikationsdaten hochsensibel sind.
• Aufwand: ein eigenes Team für Quant und Datenengineering; meist nur bei Großbanken, Handelsplätzen oder Aufsichten gerechtfertigt.

Weg D — Eigenes Training

Überwachte Modelle zur Alarmbewertung auf Basis früherer Entscheidungen der Analysten trainieren (als Fehlalarm geschlossen vs. eskaliert vs. STOR). Echte Treffer sind sehr selten, Labels daher knapp und zugunsten früherer Regeln verzerrt; kombinieren Sie mit unüberwachten Modellen, synthetisch eingespielten Szenarien zum Testen und sorgfältigem Backtesting. Das Feintuning eines Fachklassifikators für Jargon, Codewörter und mehrsprachigen Chat ist realistisch, sobald einige tausend markierte Nachrichten vorliegen.

Stand der Technik (2026)

• Trend bei Anbietern: KI-Assistenten in Überwachungssuiten (Alarmabfragen in natürlicher Sprache, Alarmzusammenfassungen, Rauschminderung) sind inzwischen Standardfunktion, z. B. Eventus Frank AI [4], und Kommunikationsplattformen betonen mehrsprachige semantische Modelle und agentische Untersuchung [3].
• Forschung: Sequenz- und graphbasierte Modelle auf Limit-Orderbuch-Daten zur Erkennung von Spoofing/Layering sind aktive Felder; öffentliche Daten sind begrenzt (LOBSTER und ähnliche Forschungsdatensätze), und echte markierte Manipulationsfälle sind selten. Gehen Sie mit veröffentlichten Genauigkeitswerten vorsichtig um; synthetische oder simulierte Manipulation bläht Ergebnisse auf.
• Zusammenführung von Handel und Kommunikation: Die Verknüpfung eines Handelsalarms mit dem umgebenden Chat/Gespräch ist der wichtigste Treiber für bessere Präzision.
• Grenzen: niedrige Basisraten, Konzeptdrift bei Anpassung der Manipulatoren, knappe Labels, Latenzanforderungen bei vollen Orderbüchern, mehrsprachiger Slang und LLM-Halluzinationen in Beschreibungen. Erzeugte Zusammenfassungen müssen die zugrunde liegenden Ereignisse belegen.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Streaming-Einlesen, Anomalieerkennungs- und Graph-ML-Stacks gemeinsam mit ANOM-002 (Geldwäscheüberwachung), ANOM-001 (Zahlungsbetrug), ANOM-023 (Krypto-Überwachung); ASR + Diarisierung + LLM-Vorsortierung gemeinsam mit Anwendungsfällen zu Gesprächsaufzeichnung und Meetings; Entitätsauflösung/Verknüpfungsanalyse mit KNOW-026.
• Kombinationen: ANOM-016 (Sanktions- und PEP-Screening) für den Kontext der Kundenaufnahme; AGENT-018 (laufende Kontrollüberwachung) für das Kontrollrahmenwerk; KNOW-023 (Finanzrecherche) für Nachrichtenkontext in Alarmen; PRED-035 (Vorhersage von Abwicklungsausfällen) teilt Daten nach dem Handel; ANOM-006 teilt Techniken für Prüfpfade.
• Hardware: HW3 bedient LLM + ASR; die Erkennung läuft auf CPU/Spaltenspeichern; HW2 genügt für einen kleinen Kommunikations-Pilot auf der Buy-Side.

Aufwand, Kosten & Kennzahlen

• Weg A: 3–9 Monate Einführung einschließlich Datenfeeds, Szenario-Kalibrierung und Modellvalidierung; Lizenzkosten skalieren mit Ordervolumen und Anlageklassen.
• Weg B: 2–4 Monate für eine assistierende Ermittlerebene auf einer bestehenden Engine.
• Weg C/D: 12+ Monate und ein spezialisiertes Team.
• Kostentreiber: Datenfeeds und Speicherung der vollständigen Orderbuch-Historie, Erfassung und Transkription der Kommunikation, Modellvalidierung, Personal für Analysten.
• Kennzahlen: Fehlalarmquote und Umwandlung von Alarmen in Fälle, STOR-Quote je Szenario, Zeit bis zur Entscheidung, Alter des Alarmrückstaus, Abdeckung (Handelsplätze, Instrumente, Kommunikationskanäle), Backtest-Ergebnisse auf eingespielten Szenarien, Feststellungen der Aufsicht.

Menschen & Veränderung

Binden Sie Geschäftsführung und die Leitung der Compliance von Anfang an als Förderer ein; der MLRO bzw. das Überwachungsteam sind die täglichen Nutzer und müssen Szenarien und Schwellen mitdefinieren. IT und Informationssicherheit betreuen Handelsplatz-Feeds, Aufzeichnungsarchive und Zugriffskontrolle; die Datenverantwortlichen für Handels- und Kommunikationsdaten müssen der Weiterverwendung zustimmen. Die Rechtsabteilung deckt MAR-Pflichten, Aufbewahrung und Erwartungen der Aufsicht ab.

Betriebsrat: ja. Die Überwachung von Orders, Chats und Gesprächen der Händler ist objektiv geeignet, Verhalten und Leistung zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG), daher ist eine Betriebsvereinbarung zu Zweck, Zugriff, Aufbewahrung und zum Verbot der Nutzung für Leistungsbeurteilung nötig; § 90 Abs. 1 Nr. 3 verlangt frühzeitige Information und § 80 Abs. 3 erlaubt einen KI-Sachverständigen. Im öffentlichen Dienst gilt der Personalrat.

Datenschutz: Die/der Datenschutzbeauftragte muss früh eingebunden werden. Kommunikation der Beschäftigten und Eigengeschäfte auf Privatkonten machen eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) wahrscheinlich; schließen Sie mit jedem Auftragsverarbeiter einen AVV (Art. 28 DSGVO) und prüfen Sie die Rechtsgrundlage in den regulatorischen Pflichten.

KI-Kompetenz: Schulen Sie Analysten zu Modellgrenzen, Fehlalarmen und zur Dokumentation von Alarmentscheidungen (Art. 4 KI-Verordnung unterstützt das). Lassen Sie neue Modelle parallel zum bestehenden System laufen, stimmen Sie sie an einem Pilot-Handelstisch ab und behalten Sie die Kontrolle beim Menschen: Die KI priorisiert Alarme, Analysten entscheiden und reichen Meldungen ein. Leitfäden: GUIDE-004, GUIDE-005, GUIDE-011.

Risiken, Regulierung & Compliance

• MAR / MiFID II: Pflicht nach Art. 16 MAR und Anforderungen der Delegierten Verordnung 2016/957 (automatisierte Systeme, menschliche Analyse, Schulung, Aufzeichnung) [1][2]. Aufbewahrung von Handels- und Orderdaten sowie Aufzeichnung der Kommunikation nach MiFID II gelten.
• KI-Verordnung (AI Act): Marktüberwachung durch Unternehmen ist keine Hochrisiko-Kategorie nach Anhang III; der typische Einsatz ist minimales Risiko mit KI-Kompetenz (Art. 4). Prüfen Sie sorgfältig, wenn die Überwachung Mitarbeiterkontrolle oder Profilbildung umfasst, die in Beschäftigungsentscheidungen einfließt (Anhang III, Beschäftigung), oder jede Emotionserkennung aus Sprache am Arbeitsplatz, die Art. 5 verbietet; setzen Sie keine Ableitung von Emotion/Stress aus der Stimme um [5].
• DSGVO und Arbeitsrecht: Kommunikation und Sprache enthalten personenbezogene Daten von Beschäftigten und Kunden; es gelten Rechtmäßigkeit (rechtliche Verpflichtung, Art. 6 Abs. 1 lit. c), Zweckbindung, DSFA, Betriebsvereinbarungen (Betriebsrat, BetrVG § 87) und Löschfristen. Vermeiden Sie automatisierte Entscheidungen mit rechtlicher Wirkung gegenüber Einzelnen (Art. 22).
• Modellrisiko und DORA: Modellvalidierung, Erklärbarkeit für Aufsichten, IKT-Drittparteienrisiko und Ausstiegspläne für Cloud-Anbieter.
• Risiken: übersehener Missbrauch (falsch negative Ergebnisse), Tipping-off, verzerrte Alarmierung bei bestimmten Handelstischen oder Nationalitäten, Abfluss vertraulicher Insiderinformationen über LLMs an externe APIs. Gegenmaßnahmen: Verarbeitung On-Premises oder in EU-Regionen, Schwärzung, Zusammenfassungen mit Quellenpflicht, regelmäßiges Backtesting der Szenarien, dokumentierte menschliche Freigabe.

Erste Schritte

1. Erfassen Sie Ihren MAR-Geltungsbereich: Handelsplätze, Instrumente, Orderfluss, Kommunikationskanäle und wer STORs einreicht; dokumentieren Sie Lücken gegenüber Art. 16 MAR und der Delegierten Verordnung 2016/957.
2. Erfassen Sie die heutigen Alarme als Ausgangsbasis: Menge je Szenario, Anteil Fehlalarme, Zeit je Alarm, eingereichte STORs.
3. Wählen Sie 2–3 Plattformen in die engere Auswahl (eine mit Sitz in der EU eingeschlossen) und führen Sie einen Proof of Concept auf 3–6 Monaten Ihrer eigenen Daten mit eingespielten Testszenarien durch.
4. Ergänzen Sie einen LLM-Assistenten für Alarmzusammenfassungen in einer Sandbox mit strikter Quellenangabe und Datenminimierung und messen Sie dann die eingesparte Analystenzeit.
5. Vereinbaren Sie Datenschutz- und Betriebsratsrahmen für die Kommunikationsüberwachung, bevor Sie Sprach- oder Chat-Analysen aktivieren.

Quellen

1. Regulation (EU) No 596/2014 (Market Abuse Regulation), EUR-Lex — https://eur-lex.europa.eu/eli/reg/2014/596/oj
2. Commission Delegated Regulation (EU) 2016/957 (arrangements, systems and procedures to detect and report suspicious orders/transactions), EUR-Lex — https://eur-lex.europa.eu/eli/reg_del/2016/957/oj
3. Behavox — platform overview (Quantum, Polaris, ISO/IEC 42001, agentic vs. deterministic AI) — https://www.behavox.com/
4. Eventus — Validus trade surveillance and Frank AI — https://www.eventus.com/
5. Regulation (EU) 2024/1689 (AI Act), EUR-Lex — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. ESMA — Q&A on the Market Abuse Regulation — https://www.esma.europa.eu/sites/default/files/library/esma70-145-111_qa_on_mar.pdf