Hur maskininlärning minskar falska positiva i AML-screening: En fintechlösning

Inledning: Larmtrötthetskrisen som förstör ditt compliance-team

Compliance-analytiker på snabbväxande fintechbolag spenderar en oproportionerligt stor del av sin arbetsdag på att bedöma larm som i slutändan visar sig vara legitima. Branschanalyser från konsult-, akademiska och tillsynssamhällen citerar upprepade gånger falska positiva på 90 till 95 procent i traditionella program för transaktionsövervakning.[1][2] Instrumentpaneler fylls med lågkvalitetslarm varje morgon, vilket gör screening till repetitiv triagering medan verkliga penningtvättsrisker gömmer sig i bruset.

Europas regelverk gör problemet mer akut. Den kommande Anti-Money Laundering Authority kommer att harmonisera tillsynsförväntningar, MiCA utvidgar övervakningskrav till leverantörer av kryptotillgångstjänster, och GDPR upprätthåller strikt datahanteringsdisciplin även under utredningar.[10][11][12] Fintechbolag som ignorerar falska positiva ådrar sig därför inte bara operativ tröghet utan också risken att inte uppfylla flersystemskrav.

Tillsynsmyndigheter och revisorer har märkt belastningen. Deloittes AML-beredskapsundersökning från 2020 pekade ut falska positiva som det största operativa hindret för reglerade företag som accelererar digital onboarding.[3] Nyligen genomförda europeiska fallstudier förstärker omfattningen: stora detaljhandels- och universalbanker dokumenterar tiotusentals månatliga larm med falska positiva som ligger långt över nittio procent, vilket lämnar smala compliance-team att sålla genom brus.[4][5]

Tillsynsorgan har eskalerat upprätthållandet när institutioner misslyckas med att prioritera materiell risk. FCA:s åtgärd mot Starling Bank och BaFins sanktion mot N26 citerade uttryckligen larmeftersläpningar och svagheter i eskaleringar, vilket understryker att tillsynsmyndigheter ser ohanterade falska positiva som en systemsvaghet snarare än ett besvär.[14][15] För fintech-grundare som arbetar under snäva budgetar kan kombinationen av operativt slöseri och regleringsexponering stoppa lanseringar eller spåra ur finansiering.

Maskininlärning erbjuder ett praktiskt svar. Dokumenterade implementeringar visar mätbara minskningar på 31 till 33 procent i falska positiva inom de första utvecklingscyklerna, med bredare branschgenomgångar som beskriver 30 till 60 procents förbättringar när beteendeanalys, avvikelsedetektering och analytikerns återkopplingsloopar utförs med ordentlig styrning.[4][5][7] Den här artikeln beskriver varför regelbaserade system skapar larmtrötthet, hur maskininlärning förändrar ekvationen, hur affärskalkylen ser ut, och hur Veridaq anpassar tekniken till utvecklande europeiska regleringsförväntningar.

Varför traditionella AML-system genererar överdrivet många falska positiva

Äldre regelbaserade AML-screeningsystem tillämpar statiska tröskelvärden och heuristik som inte kan hålla jämna steg med dynamiska fintech-kundbaser.[6] Regler som "flagga varje överföring över 5 000 EUR" eller "utlös ett larm efter tio transaktioner per dag" ignorerar kontextuella signaler, så helt legitim aktivitet eskaleras helt enkelt för att den överskrider ett trubbigt tröskelvärde.

Varför regler misslyckas i skala:[6][7]

• Statisk logik i en dynamisk verksamhet. Tröskelvärden hårdkodade för en produkt eller geografi avviker från verkligheten när kundmixen utvecklas.
• Kontextblindhet. Regler behandlar en 10 000 EUR-betalning på samma sätt oavsett kundhistorik, enhet eller motpartsrelation.
• Segmentfel. Frilansare, gigarbetare, småföretag och privatkonsumenter beter sig olika, men regelbibliotek tillämpar ofta en-storlek-passar-alla-logik.
• Manuell underhållsdrag. Compliance-team spenderar dussintals timmar per månad på att finjustera regler, bara för att skapa nya döda vinklar någon annanstans.

Operativa konsekvenser:[3][6][7]

• Larmköer sväller. Analytiker clearar hundratals lågrisk-larm innan de når ett genuint misstänkt fall, vilket ökar eftersläpningar.
• Utredningskvaliteten lider. Larmtrötthet urholkar koncentrationen, vilket ökar sannolikheten att missa kritiska typologier.
• Dokumentationsluckor uppstår. Team under press kämpar för att producera revisionsklara motiveringar för att avfärda larm.
• Tillsynsmyndigheter eskalerar granskningen. Europeiska myndigheter förväntar sig nu bevis för att företag kan prioritera meningsfulla larm och undvika att missa Suspicious Activity Report (SAR)-deadlines.[14][15]

Hur detta ser ut i praktiken. En seed-stage betalningsstartup som expanderar till Tyskland kan ärva ett leverantörsregelpaket som flaggar varje betalning över 2 000 EUR. När frilansare fakturerar företagskunder utlöser legitima transaktioner larm som analytiker måste cleara manuellt, ofta med lite sammanhang utöver transaktionsbelopp. Analytiker växlar mellan kärnbanksystem, onboarding och sanktionsskärmar för att samla bevis, och spenderar 20 till 30 minuter per larm enbart för att bekräfta rutinmässigt kassaflöde. Deloittes fältarbete från 2024 bekräftar att team som står inför sådana eftersläpningar omprioriterar utredningar till "äldst först", vilket försenar genuina riskeskaleringar och urholkar SAR-punktligheten.[7] När detta mönster består behandlar tillsynsmyndigheter eftersläpningen som en indikator på systemisk kontrollmisslyckande.[14][15]

Mänsklig kostnad av manuell justering. Compliance-ingenjörer som har i uppgift att uppdatera regelbibliotek har sällan lyxen av rena historiska etiketter. FATF noterar att organisationer ofta boltar på nya tröskelvärden efter varje regelgenomgång, vilket skapar motstridande logik över jurisdiktioner.[6] Den resulterande regelspridningen är bräcklig: nya regler producerar oförutsedda interaktioner, äldre regler finns kvar av rädsla för att missa kantfall, och analytiker får blandade budskap om vad som utgör risk. Med tiden genererar "snabbfix"-cykeln fler larm än den löser, vilket driver friktion bland erfaren personal och lämnar junioranalytiker att bära utredningsarbetsbelastningar utan robust institutionell kunskap.[3][7]

Nettoresultatet är förutsägbart: regelbaserade system överrapporterar godartad beteende, underrapporterar subtil penningtvätt och driver compliance-personal mot utbrändhet precis när tillsynsförväntningarna ökar.

Hur maskininlärning transformerar AML-falskpositiva frekvenser

Maskininlärning tacklar larmtrötthet genom att bygga adaptiva riskmodeller som lär sig från verkligt kundbeteende istället för att förlita sig på statisk heuristik.[6] Snarare än att behandla varje avvikelse som misstänkt, jämför ML-motorer varje transaktion mot rika beteendebaslinjer och tvärsignalkontext, vilket tillåter legitim variation samtidigt som genuint anomalt aktivitet flaggas.

Kärnmaskininlärningsförmågor som minskar falska positiva:[6][7][8][9]

• Beteendeprofilering. Baslinjer byggs per kund eller kundsegment, så frilansare, SME:er, löneanställda och kryptoanvändare bedöms mot kamrater med liknande mönster.
• Avvikelsedetektering. Oövervakade tekniker flaggar avvikelser från dessa baslinjer, fångar tidigare osedda typologier utan att förlita sig på fördefinierade regler.
• Kontextuell riskbedömning. Modeller intar temporal, geografisk, enhets-, motparts- och hastighetsdata, vilket producerar sammansatta riskpoäng grundade i den fullständiga transaktionsberättelsen.
• Människa-i-loopen-lärande. Analytikerdispositioner matas tillbaka i modellerna, vilket förbättrar precisionen över tiden samtidigt som styrningsstandarder för tillsyn och dokumentation uppfylls.
• Förklarbarhet genom design. Funktionsnivå anledningskoder och härkomstloggar tillåter team att demonstrera hur varje beslut fattades, i linje med EU-förväntningar för transparent AI i finansiella tjänster.

Vad framgång ser ut som i praktiken:[4][5][7]

• En europeisk universalbank dokumenterade en 31 procents minskning i falska positiva efter utplaceringen av ML-baserad triagering, vilket frigjorde utredare att fokusera på högrisk-larm.[4]
• En stor detaljhandelsbank uppnådde en 33 procents minskning och förkortade utredningscykler när den parade maskininlärning med analytikerns återkopplingsloopar.[5]
• Deloittes benchmarking från 2024 visar att institutioner som använder beteendeanalys rapporterar skarpare prioritering och snabbare eskaleringsstigar än kamrater som enbart förlitar sig på tröskelvärden.[7]

Dessa förbättringar eliminerar inte mänsklig expertis; de förstärker den. Analytiker spenderar tid på larm som betyder något, styrningsteam erhåller bättre bevis för tillsynsmyndigheter, och ingenjörsteam undviker att oändligt omskriva bräckliga regelbibliotek.

Implementeringsförutsättningar:[6][8][9]

• Högkvalitativ märkt data. Parallella körningar med mänsklig granskning ger de återkopplingsloopar modeller behöver för att skilja mellan genuin risk och godartad beteende.
• Modellriskstyrning. Institutioner måste upprätthålla inventeringar, valideringscadenser och utmanarmodeller för att uppfylla EBA- och BIS-förväntningar för AI-system i kritiska processer.
• Integritet och åtkomstkontroller. GDPR Artikel 25-principer kräver minimering av data som används för modellering och upprätthållande av finkornig åtkomst, även när de verkar inom EU-datacenter.[10]
• Tvärfunktionellt samarbete. Produkt-, ingenjörs- och compliance-team behöver delade taxonomier för larmkategorier och dispositionsorsaker så att feedback är tolkningsbar av modellen.
• Pågående prestandaövervakning. Upprätta instrumentpaneler för driftdetektering, datakvalitetsanomalier och backtesting-resultat så att problem fångas innan tillsynsmyndigheter gör det.

FATF betonar att ny teknik levererar värde endast när den balanseras med sund styrning.[6] Förklarbarhetartefakter såsom funktionsbidragsdiagram och anledningskoder tillåter compliance-tjänstemän att ifrågasätta varför en modell flaggade en transaktion, medan utmanarmodeller och periodisk validering skyddar mot drift. BIS- och EBA-vägledning rekommenderar formell testning under stressscenarier (till exempel plötsliga toppar i gränsöverskridande betalningar) för att säkerställa att modeller upprätthåller prestanda under produktlanseringar eller marknadschocker.[8][9]

Parallellt kräver GDPR att företag håller revisionsspår för vem som fick tillgång till vilka kunddata och varför.[10] Veridaq tillhandahåller härkomstrapporter som visar modellinmatningar, transformationer och utgångar—kritiska bevis när man visar att personuppgifter bearbetades lagligt och proportionellt under utredningar.

Databeredskap är ofta det största praktiska hindret. Fintech-datamodeller kan spänna över kärnbankssystem, betalningsgatewayer, kortprocessorer och kryptoledgers, var och en med något olika identifierare. Deloittes forskning från 2024 belyser att framgångsrika ML-program investerar i masterdata-management så att transaktioner kan förenas över system, medan FATF varnar att dålig datahygien underminerar varje teknisk fördel.[6][7] Veridaq levererar integrationsacceleratorer och schemamallar så team kan anpassa olika datakällor utan månaders ingenjörsarbete.

Verklig påverkan: ROI-data för fintech-compliance-team

Affärskalkylen för ML-driven AML-övervakning vilar på tre pelare: effektivitetsvinster, regleringsresiliens och kundupplevelse. Var och en har empiriskt stöd från fallstudier, tillsynsåtgärder och branschbenchmarking.

1. Effektivitetsvinster från riktade utredningar

• Bevis. Dokumenterade europeiska utplaceringar rapporterar 31 till 33 procents minskningar i falska positiva, vilket översätts till materiellt färre larm som kommer in i manuella köer.[4][5] Deloittes analys från 2024 noterar att institutioner som bäddar in beteendeanalys omfördelar analytikertimmar från triagering till högre värdeundersökningsarbete.[7]
• Implikation. Smala fintech-compliance-team kan absorbera transaktionstillväxt utan att linjärt öka personalen. Tid som återvinns från att cleara godartade larm återinvesteras i förbättrad due diligence, typologiutveckling och samordning med produktteam.
• I praktiken. En Series A-fintech som bearbetar tiotusentals månatliga transaktioner kan omplacera analytiker från att cleara repetitiva småvärdelarm till att bygga entitetsupplösningslogik, samarbeta med bedrägerimotsvarigheter och automatisera SAR-berättelser. Dessa högre ordningsuppgifter pressades tidigare ut av manuell köhantering.

2. Regleringsresiliens och revisionsreadberedskap

• Bevis. FCA:s slutliga meddelande från 2024 för Starling Bank och BaFins sanktion från 2024 mot N26 citerade var och en svagheter i larmstyrning och SAR-punktlighet.[14][15] FATF-vägledning uppmuntrar uttryckligen reglerade enheter att anta ny teknik med lämpliga skyddsåtgärder för att förbättra detekteringskvaliteten.[6]
• Implikation. Att demonstrera riskbaserad larmprioritering, dokumenterad modellstyrning och punktliga SAR-arkiveringar positionerar fintechs gynnsamt under tillsynsgenomgångar. ML-system som tillhandahåller spårbara beslut hjälper till att tillfredsställa transparensförväntningarna som nu är inbäddade i EU-tillsynsdialogerna.[8][9]
• I praktiken. Under tematiska granskningar begär tillsynsmyndigheter alltmer bevis för hur larm triageras och hur modeller övervakas. Företag som kan producera modellinventeringar, valideringsresultat och utredaranteckningar knutna till varje larm effektiviserar dessa engagemang och undviker åtgärdsdirektiv som kan stoppa marknadsexpansion.

3. Kundupplevelse och intäktsskydd

• Bevis. Deloittes undersökning från 2024 kopplar snabbare onboarding och färre onödiga stopp till program som digitaliserar riskbedömning och inkorporerar beteendeanalys.[7]
• Implikation. Genom att minska falska larm på legitima kunder minimerar fintechs onboarding-friktion och minskar övergivande. Snabbare tid-till-aktivera stöder tillväxtmål samtidigt som compliance hålls i linje med GDPR- och PSD2-krav.
• I praktiken. När lågrisk-kunder clearas automatiskt kan produktteam möjliggöra omedelbar kontoköp eller kortprovisionering. Kundsupport ser färre eskaleringar relaterade till "väntande compliance-granskning", och marknadsföring kan med säkerhet marknadsföra snabb aktivering utan att riskera regulatoriska undantag.

Tillsammans levererar dessa pelare en pragmatisk ROI-berättelse: färre slösade utredningar, starkare regleringsposition och en smidigare kundresa.

Metriker att övervaka längs resan:[7]

• Larm precision och återkallelse. Spåra hur många larm som konverteras till SAR:er eller förbättrade due diligence-utredningar för att bevisa kvalitetsförbättringar.
• Analytikertimmar per larm. Kvantifiera tid sparat för arbetskraftsplanering och för att underbygga budgetförfrågningar för verktyg.
• SAR-ålder och kvalitetspoäng. Demonstrera för tillsynsmyndigheter att eskaleringar accelererar och berättelsekvaliteten förbättras när analytiker fokuserar på substantiva fall.
• Kundaktiveringstider. Korrelera onboarding-hastighet med falsk-positiva minskningar för att visa intäktspåverkan vid sidan av compliance-fördelar.

Att rama in dessa metriker inom en affärskalkyl hjälper till att säkra intressentanpassning. Finansteam uppskattar modeller som översätter larmminskningar till kostnadsundvikande, medan styrelser och investerare svarar på berättelser som kopplar compliance-styrka med marknadstillgång. Att inkorporera FCA- och BaFin-upprätthållandeexempel i styrelsepaketen illustrerar nackdelen med passivitet, vilket gör uppsidan av ML-investeringar mer påtaglig.[14][15]

Veridaq: Specialbyggd ML-driven AML för europeiska fintechs

Veridaq konstruerades för europeiska fintech-tillväxtbanor, kopplande maskininlärning med regleringsdesignval som förutser EU Anti-Money Laundering Authority (AMLA)-regimen och angränsande regleringar.

• AMLA-redo tillsyn. Med direkt AMLA-tillsyn som börjar 1 januari 2028, upprätthåller Veridaq modellstyrningsartefakter, ändringsloggar och SAR-pipelines strukturerade för att passa myndighetens tillsynsplan.[11] Mallar mappar larm till AMLA-rapporteringstaxonomier så compliance-team kan uppfylla både nationella FIU-krav och EU-nivåkoordination.
• MiCA och betalningsjustering. Inbyggt stöd för kryptotillgångsdatamodeller och betalningstypologier återspeglar den fasade tillämpningen av Markets in Crypto-Assets Regulation och relaterade tekniska standarder.[12][13] Veridaq fångar plånboksproveniens, transaktionshashar och travel-rule-attribut vid sidan av traditionell betalningsmetadata, vilket möjliggör enhetlig övervakning över fiat- och digitaltillgångsräls.
• GDPR och datahemvist. All bearbetning sker inom EU-datacenter (Frankfurt och Amsterdam), och plattformskontroller följer integritet-genom-design-förväntningar som anges i EDPB-riktlinjer 4/2019 om Artikel 25.[10]
• Förklarbarhet och tillsyn. Funktionsattribution, utmanarmodeller och periodiska valideringsarbetsflöden följer European Banking Authority:s vägledning om maskininlärningsstyrning och BIS Financial Stability Institute:s rekommendationer för AI-riskhantering.[8][9]
• Kommersiell flexibilitet. Per-transaktion prissättning och API-först integration tillåter seed-stage-team att lansera övervakning snabbt, medan samma arkitektur skalas till Series B-volymer utan plattformsmigrationer.

Varje designval härrör från verkligheten att europeiska fintechs oundvikligen står inför multi-jurisdiktionell tillsyn. AMLA kommer att koordinera nationella tillsynsmyndigheter, MiCA introducerar ny rapportering för kryptotillgångar, och GDPR upprätthåller strikta datahanteringskrav. Veridaqs arkitektur förkortar avståndet mellan regulatorisk förväntan och operativ exekvering: dokumentation är exportabel för tillsynskollegier, datahemvist är bevisbar genom infrastrukturattesteringar, och prissättning skalas med transaktionsvolym snarare än att tvinga early-stage-företag till företagsåtaganden.

Resultatet är en plattform som tacklar falska positiva samtidigt som den bäddar in dokumentationen, transparensen och lokaliseringen som europeiska tillsynsmyndigheter nu förväntar sig.

FAQ: Maskininlärnings-AML för fintech-grundare

Behöver vi ML-driven AML i seed-stage, eller kan det vänta till Series A? Tillsynsmyndigheter förväntar sig att reglerade fintechs övervakar transaktioner från dag ett, oavsett personalstyrka.[6][14][15] Att distribuera ML tidigt håller larmvolymer hanterbara för små team och demonstrerar proaktiv riskhantering under investerare- och tillsynsgenomgångar. Grundare som kan bevisa modellstyrning och larmmetriker under diligenskonversationer ger investerare förtroende för att compliance-risken är under kontroll, vilket i sin tur accelererar produktgodkännanden med partnerbanker och betalningsteman.[3][7]

Hur lång tid tills vi ser meningsfull falsk-positiv minskning? Europeiska fallstudier registrerade 31 till 33 procents minskningar inom initiala utplaceringsfaser när beteendemodeller och analytikerns återkopplingsloopar var operativa.[4][5] Tidiga vinster dyker vanligtvis upp efter en parallell körning som tillåter team att kalibrera tröskelvärden före full övergång. FATF rekommenderar att kombinera pilotkörningar med strukturerad validering för att säkerställa att vinster kvarstår över kundsegment, så team bör allokera tid för tvärfunktionella granskningar innan de stänger av äldre regler.[6]

Vad händer med compliance-analytiker när larmvolymer faller? Deloittes benchmarking från 2024 visar att team omfördelar personal till utredningar, typologidesign och regulatorisk kontakt när beteendeanalys minskar repetitivt triageringsarbete.[7] ML höjer analytikarbete snarare än att ersätta det. Analytiker blir domänexperter som förklarar typologier för produktchefer, bidrar till modellvalideringsmöten och samarbetar med bedrägeri-team om gemensamma detekteringsstrategier—aktiviteter som tidigare pressades ut av konstant larmtriagering.

Hur håller modeller sig före nya penningtvättstekniker? FATF-vägledning rekommenderar att para övervakade modeller (för kända typologier) med oövervakad avvikelsedetektering för att ytan framväxande mönster, stödd av mänsklig validering och styrning.[6] Veridaq följer detta tillvägagångssätt, kombinerar kontinuerlig inlärning med tillsyn anpassad till EBA-förväntningar.[9]

Är maskininlärning dyrare än traditionella regeluppsättningar? Medan ML-plattformar kan ha högre programvarukostnader, indikerar Deloittes forskning från 2024 att besparingar från minskad manuell utredning vanligtvis överstiger licensavgifter inom det första driftsåret.[7] Total ägandekostnad förbättras när larmköer krymper. Organisationer som spårar metriker som larm per tusen transaktioner, analytikertimmar per larm och SAR-ålder kommer att se den finansiella påverkan i sina instrumentpaneler, vilket ger konkreta bevis för budgetdiskussioner.

Vilken datagrund behöver vi innan vi slår på ML? Framgångsrika program förenar data över kärnbanksystem, betalningsgatewayer, kortprocessorer och kryptoledgers så att modeller ser hela kundhistorien.[6][7] EBA uppmuntrar företag att dokumentera datalinjering och kvalitetskontroller som en del av modellstyrning, vilket säkerställer att saknade värden eller inkonsistenta identifierare inte urholkar prestanda.[9] Veridaqs schemamallar accelererar denna anpassning, men team bör fortfarande genomföra dataprofilering och rensning före produktutrullning.

Hur säkerställer Veridaq förklarbarhet och GDPR-efterlevnad? Plattformen upprätthåller funktionsnivå anledningskoder, revisionsredo modelldokumentation och integritet-genom-design-kontroller konsekvent med BIS-, EBA- och EDPB-vägledning.[8][9][10] Dessa artefakter stöder tillsynsexamina och dataskyddskrav samtidigt. Under revisioner kan compliance-team exportera beslutsvägar som visar vem som granskade varje larm, vilka bevis som övervägdes och hur modellens rekommendation jämfördes med mänsklig bedömning—ett kritiskt krav under både AMLA- och GDPR-regimerna.

[1]: McKinsey & Company (2017). The neglected art of risk detection. https://www.mckinsey.de/~/media/McKinsey/Business Functions/Risk/Our Insights/The neglected art of risk detection/The-neglected-art-of-risk-detection.pdf

[2]: Öztas, B. (2024). False positives in anti-money-laundering systems: A survey. Future Generation Computer Systems. https://www.sciencedirect.com/science/article/pii/S0167739X24002607

[3]: Deloitte (2020). AML Preparedness Survey. https://www.deloitte.com/in/en/services/consulting-financial/research/aml-preparedness-survey-report.html

[4]: NICE Actimize (2024). Large full-service bank reduces AML false positives by 31%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/52/aml_case_study_bank_reduces_false_positives_31_percent.pdf

[5]: NICE Actimize (2023). Large retail bank reduces AML false positives by 33%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/53/aml_case_study_bank_reduces_false_positives_33_percent.pdf

[6]: Financial Action Task Force (2021). Opportunities and Challenges of New Technologies for AML/CFT. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf

[7]: Deloitte (2024). AML Transaction Monitoring: Challenges and opportunities. https://www.deloitte.com/ch/en/Industries/financial-services/blogs/aml-transaction-monitoring.html

[8]: BIS Financial Stability Institute (2024). Regulating AI in the financial sector: recent developments and main challenges (FSI Insights No.63). https://www.bis.org/fsi/publ/insights63.pdf

[9]: European Banking Authority (2023). Follow-up report on machine learning for IRB models. https://www.eba.europa.eu/sites/default/files/document_library/Publications/Reports/2023/1061483/Follow-up report on machine learning for IRB models.pdf

[10]: European Data Protection Board (2020). Guidelines 4/2019 on Article 25 Data Protection by Design and by Default. https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-42019-article-25-data-protection-design-and_en

[11]: European Union Anti-Money Laundering Authority (2024). About AMLA. https://www.amla.europa.eu/about-amla_en

[12]: European Securities and Markets Authority (2025). Markets in Crypto-Assets Regulation overview. https://www.esma.europa.eu/esmas-activities/digital-finance-and-innovation/markets-crypto-assets-regulation-mica

[13]: European Securities and Markets Authority (2025). MiCA Level 2 and 3 measures timeline. https://www.esma.europa.eu/sites/default/files/2025-07/ESMA75-113276571-1510_MiCA_Level_2_and_3_table.pdf

[14]: Financial Conduct Authority (2024). Final Notice: Starling Bank Limited. https://www.fca.org.uk/publication/final-notices/starling-bank-limited-2024.pdf

[15]: N26 (2024). Statement on BaFin fine related to SAR reporting. https://n26.com/en-eu/press/press-release/statement-on-the-fine-issued-to-n26-bank-ag-by-the-federal-financial-supervisory-authority