Benford-Analyse für P2P-Kredite: Wie du Anomalien in Loan Books selbst erkennst

Sieben Jahre ist Marcs Benford-Analyse jetzt alt. Damals hatten drei seiner vier untersuchten Plattformen rote Flaggen: Fastinvest, Eurocent als Mintos-Kreditgeber und Grupeer. Heute wissen wir: Fastinvest hat im April 2020 die Auszahlungen eingestellt, Grupeer im März 2020, Eurocent war schon 2017 zahlungsunfähig. Marcs Mathematik hatte ein gutes Stück vorhergesehen, was später eintrat.

Grund genug, das Werkzeug nicht in der Schublade verstauben zu lassen, sondern es als das zu sortieren, was es ist: ein Frühwarn-Indikator mit dokumentierten Erfolgen und dokumentierten Grenzen. In diesem Beitrag schaue ich mir das Benford-Gesetz aus heutiger Sicht an, ordne Marcs Originalbefunde mit dem Rückspiegel aus 2026 ein, zeige welche Plattformen heute überhaupt noch öffentlich genug sind für eine eigene Analyse und welche Werkzeuge wir Anleger dafür nutzen können. Ganz ohne Code, aber mit Verweisen für die, die tiefer einsteigen wollen.

⚠️ Werbung | Risikowarnung
Dieser Artikel enthält Affiliate-Links. Wenn du dich über diese Links registrierst und investierst, erhalte ich eine Provision.

Der Erwerb dieser Vermögensanlage ist mit erheblichen Risiken verbunden und kann zum vollständigen Verlust des eingesetzten Vermögens führen. Der in Aussicht gestellte Ertrag ist nicht gewährleistet und kann auch niedriger ausfallen.

Wer war Benford eigentlich?

Der erste, der das Muster beschrieb, war gar nicht Benford. Simon Newcomb, ein amerikanisch-kanadischer Astronom, bemerkte 1881 beim Blättern in Logarithmentafeln, dass die ersten Seiten viel schmutziger waren als die hinteren. Seine Schlussfolgerung: Zahlen, die mit „1″ oder „2″ beginnen, werden offenbar häufiger benutzt als solche, die mit „9″ beginnen. Er formulierte daraus die Wahrscheinlichkeitsformel, die wir heute Benfords Gesetz nennen.

Frank Benford, ein Physiker bei General Electric, hat das 1938 wiederentdeckt und gründlich empirisch untermauert. Er testete in seiner Veröffentlichung „The Law of Anomalous Numbers“ über 20.000 Zahlen aus 20 völlig unterschiedlichen Datensätzen: Flussflächen, Sterberaten, Adressen, Atomgewichte. Überall das gleiche Muster. Erst 1995 lieferte der Mathematiker Theodore Hill den sauberen Beweis dafür: Das Gesetz ergibt sich aus der Skaleninvarianz natürlich entstehender Zahlen. Wenn ich Flussflächen in Quadratkilometer oder in Quadratmeilen messe, muss die Häufigkeitsverteilung der ersten Ziffern gleich aussehen. Nur die logarithmische Verteilung erfüllt das.

Die Wahrscheinlichkeit, mit der jede Ziffer als erste Stelle vorkommt:

Fast jede dritte Zahl in einem natürlichen Datensatz beginnt mit einer 1 – das überrascht beim ersten Hören, ist aber mathematisch sauber bewiesen. Es gibt auch erweiterte Tests für die ersten zwei Ziffern, für letzte Ziffern und für Summenverteilungen. Wer da tiefer einsteigen will: Mark Nigrinis Standardwerk „Benford’s Law: Applications for Forensic Accounting, Auditing, and Fraud Detection“ (Wiley 2012) ist der Goldstandard.

Wann das Gesetz funktioniert und wann nicht

Bevor wir loslegen, ein paar Voraussetzungen, ohne die Benford schlicht keinen Sinn macht:

• Genügend Datenpunkte – mindestens ein paar hundert, idealerweise über 1.000. Bei zu kleinen Datensätzen rauscht es zu stark.
• Mehrere Größenordnungen – Werte von 10 bis 100.000 funktionieren gut, Werte alle zwischen 500 und 600 funktionieren nicht.
• Natürlich entstandene Zahlen – Beträge, die durch viele unabhängige Faktoren zustande kommen.
• Keine harten Cutoffs – wenn eine Plattform nur Kredite zwischen 300 € und 3.000 € vergibt, ist die Datenmenge künstlich beschnitten, und Benford bricht.

Gegenbeispiele, bei denen Benford nicht gilt: Telefonnummern, Postleitzahlen, Schuhgrößen, Marketingpreise wie 9,99 €. Auch festgelegte Kreditbeträge wie bei Fastinvest („alle Kredite sind 4.000, 4.200 oder 4.400 €“) sind genau so eine Verletzung der Voraussetzungen. Was bei der Auswertung dann aussieht wie ein Alarm, kann ein simpler Geschäftsmodell-Effekt sein.

Für die Frage „passt die gefundene Verteilung wirklich zu Benford“ gibt es eine ganze Reihe statistischer Tests. Am praktikabelsten ist die Mean Absolute Deviation (MAD) nach Nigrini: einfach der durchschnittliche Abstand zwischen den gefundenen Häufigkeiten und den erwarteten Werten. Nigrini hat dafür Schwellen veröffentlicht, die sich in der Praxis bewährt haben:

Über den klassischen Chi-Quadrat-Test gibt es durchaus berechtigte Kritik: Bei großen Datensätzen schlägt er fast immer Alarm, selbst wenn die Abweichung praktisch irrelevant ist. Daher hat sich MAD als die robustere Faustregel etabliert.

Wie Benford großen Betrug rückwirkend sichtbar gemacht hat

Bevor wir zu Marcs P2P-Arbeit kommen, zwei Klassiker und ein Gegenbeispiel – damit klar wird, was die Methode kann und was sie nicht kann.

Madoff: das Lehrbuchbeispiel

Bernie Madoffs Ponzi-System ist das Schulbeispiel für Benford-Anwendung im Investmentbereich. Madoff hatte über zwei Jahrzehnte hinweg seinen Investoren angeblich stabile Renditen von rund 10 % pro Jahr ausgewiesen – Renditen, die selbst dann sauber kamen, wenn der Markt einbrach. Wer sich die monatliche Renditeverteilung im Nachhinein anschaut, sieht eine Equity-Kurve „wie mit dem Lineal gezeichnet“, wie es Holger von Jouanne-Diedrich von der FH Aschaffenburg in seinem empfehlenswerten Tutorial formuliert. Eine Benford-Analyse der ausgewiesenen Renditen zeigt deutliche Abweichungen vom erwarteten Muster. Mark Nigrini hat dem Madoff-Fall ein eigenes Kapitel in seinem Standardwerk gewidmet.

Griechenland: Staatshaushalt unter der Benford-Lupe

Eine deutsche Forschergruppe um Bernhard Rauch (Uni Eichstätt-Ingolstadt) hat 2011 untersucht, ob die Eurostat-Daten der EU-Mitgliedstaaten Benford folgen. Das Ergebnis ist im German Economic Review nachzulesen: „Fact and Fiction in EU-Governmental Economic Data“. Griechenland zeigte die stärkste Abweichung von Benford unter allen Euro-Ländern – passend zum späteren Eurostat-Skandal, als das gemeldete Defizit für 2009 von ursprünglich 3,7 % auf 15,4 % nach oben korrigiert werden musste.

Wirecard: das Gegenbeispiel

Wer denkt, Benford hätte den größten deutschen Bilanzskandal frühzeitig aufgedeckt, irrt. Eine Bachelorarbeit von Sebastian Tragner hat genau das getestet: Die konsolidierten Wirecard-Zahlen 2005 bis 2019 wurden auf Benford-Konformität geprüft. Sein Befund: Unternehmensspezifischer Bilanzbetrug lässt sich mit Benford-Analyse auf Basis von Jahresabschlusszahlen nicht zuverlässig erkennen. Das Datenmaterial ist viel zu aggregiert, die Anzahl der Datenpunkte zu klein. Das ist eine wichtige Lektion, auf die ich später noch zurückkomme.

Marcs P2P-Pionieranalyse 2019

Schauen wir uns jetzt an, wie Benford auf P2P-Kredite trifft. Die Pionierarbeit hat Marc geleistet, der unter dem Pseudonym Finstein programmiert und damals einen Gastbeitrag bei mir im Blog veröffentlicht hat.

Marc hat im Mai 2019 vier Plattformen unter die Benford-Lupe genommen: Fastinvest, Mintos (mit dem Sonderfall Eurocent), Grupeer und Finbee. Drei davon zeigten Auffälligkeiten. Wie sich diese Auffälligkeiten in den Jahren danach entwickelt haben, ist heute sehr spannend zu sehen.

Fastinvest: roter Alarm, später bestätigt

Marc analysierte 1.500 Fastinvest-Kredite. Die Verteilung war alles andere als lehrbuchmäßig:

Die Ziffer 4 war massiv überrepräsentiert. Marc hat bei Fastinvest nachgefragt und die Antwort als „Confidential“ erhalten – grob zusammengefasst sagt Fastinvest sinngemäß, dass Kredite nach festen Summen statt nach Bedarf des Kreditnehmers vergeben werden. Wenn das stimmt, ist die Benford-Voraussetzung der natürlichen Zahlen verletzt. Schaut man sich die Top-Beträge an, wird das auch sichtbar:

Lauter glatte Hunderter-Beträge. Welchem Geschäftsmodell soll das dienen, fragt sich Marc damals zu Recht. Eine plausible Erklärung ist schwer zu finden – ein echter Kreditnehmer braucht in der Regel keine glatte Tausenderzahl, sondern den exakten Betrag, den ihm seine Lebenssituation gerade abverlangt.

Rückspiegel 2026: Fastinvest hat im April 2020 die Auszahlungen eingestellt. Wer dort investiert war, kommt bis heute nicht mehr an sein Geld. Die Webseite läuft weiter, aber Kommunikation findet praktisch nicht mehr statt. Marc hat damals seine Investition gestoppt, als Fastinvest auf seine Nachfragen nicht mehr antwortete. Eine Entscheidung, die im Nachhinein viel Geld gespart hat. Wer den vollständigen Verlauf nachlesen will, findet ihn in meinem Beitrag „Ist Fast Invest Scam?“.

Mintos im Gesamtbild: lehrbuchmäßig

Bei Mintos hat Marc das öffentliche Loan Book mit über 10,8 Millionen Krediten ausgewertet – eine Datenmenge, bei der Benford richtig gut funktioniert.

Das aggregierte Bild ist sauber. Das heißt allerdings nicht, dass jeder einzelne Mintos-Kreditgeber sauber war. Wer hier tiefer schaut, kommt zu spannenderen Ergebnissen.

Eurocent: die Anomalie war zwei Jahre vorher schon sichtbar

Marc hat sich exemplarisch den Mintos-Kreditgeber Eurocent angeschaut – einen polnischen Anbahner, der bereits im Juni 2017 ausgefallen war. Seine Aktien hatten innerhalb von drei Monaten 90 % verloren, danach folgte die Insolvenz. Mintos hatte die Anbahner-Schiene im Juli 2017 stillgelegt, bis heute haben die betroffenen Investoren wenig bis nichts zurückbekommen.

Spannend ist, dass die Anomalien in den Eurocent-Daten vor dem Zusammenbruch bereits ablesbar gewesen wären. Marc hatte 2019 keine historische Versionierung, mit der er das wirklich rückwirkend belegen konnte. Sein Punkt damals: Wenn ein Kreditgeber in Schieflage gerät, ist es naheliegend, dass kurz vor dem endgültigen Untergang Liquidität durch Luftrechnungen oder Ähnliches geschaffen wird. Und genau das hinterlässt Spuren in der Ziffernverteilung.

Grupeer: Klumpenrisiko sichtbar

1.788 Grupeer-Kredite hat Marc analysiert – und auch hier zeigte sich ein deutliches Muster:

Aber: Schaut man tiefer in die Daten, sind die Anomalien hier eher methodisch erklärbar als bei Fastinvest. Auf Grupeer gab es eine massive Klumpenbildung, bei der ein und derselbe Kreditgeber dieselben Beträge in immer wieder ähnlichen Tranchen ausgegeben hat:

Die Top-Beträge eines einzelnen Anbahners:

151 Kredite mit exakt 14.250 € vom gleichen Anbahner – das ist Tranchierung, nicht Zufall. Bei Primo Invest geht das noch durchaus zusammen mit dem Geschäftsmodell (Immobilienkredite, die in kleinere Stücke aufgeteilt werden, damit Privatanleger einsteigen können). Bei Finsputnik Platforma, einem Gehaltskredit-Anbieter, ist die Erklärung schon dünner.

Rückspiegel 2026: Grupeer hat im März 2020 die Auszahlungen unter Verweis auf COVID-19 gestoppt. Wenige Wochen später kam heraus, dass der ehemalige COO sich von gefälschten Kreditursprüngen distanziert hatte und Mitarbeiter überraschend entlassen wurden. Die Aufarbeitung läuft seit über fünf Jahren, eine Insolvenz wurde nie sauber abgewickelt. Wer die Geschichte vollständig nachlesen will, findet das in meinem ausführlichen Beitrag „Grupeer Betrug – die Scam-P2P-Plattform aus Lettland“.

Finbee: erklärbarer Fehlalarm

Bei Finbee hatte Marc 8.207 Kredite analysiert. Hier zeigten sich ebenfalls Abweichungen – die Ziffer 3 war stark überrepräsentiert:

Hier wurde es spannend: Im P2P-Kredite-Forum entwickelte sich eine intensive Diskussion, bei der der User Zedandi (Andreas) die Anomalie aufklärte:

• Der Finbee-Kreditrechner ist auf 3.300 € und 30 Monate voreingestellt – viele Nutzer schicken die voreingestellte Anfrage einfach ab.
• Der minimale Kreditbetrag liegt bei 300 € (also ebenfalls ein Cutoff, der die Benford-Voraussetzung verletzt).
• In der Anfangszeit gab es ein Maximum von 3.000 €, das viele Kredite genau dort landen ließ.

Drei „künstliche“ Anker auf der Ziffer 3 – kein Wunder, dass Benford da Alarm schlägt. Es ist das Lehrbuchbeispiel für einen Fehlalarm, der nichts mit Betrug zu tun hat, sondern mit verletzten Voraussetzungen. Finbee ist 2026 immer noch aktiv und gut.

Wie die Community Marcs Arbeit weitergetragen hat

Marcs Gastbeitrag hat eine ziemliche Welle ausgelöst – sowohl positive Diskussionen als auch berechtigte methodische Kritik. Genau das hat die Methode dann auch geschärft.

Zedandi und Bondora: Zahlungsströme schlagen Kreditbeträge

Andreas hat im Forum systematisch das Bondora-Datenset durchgearbeitet. Sein wichtigster Befund: Nominale Kreditbeträge sind oft kein guter Benford-Kandidat (zu viele Cutoffs, zu viel Standardisierung). Zahlungsströme dagegen schon. Late Fees, Zinszahlungen, Tilgungsbeträge – das sind Zahlen, die viele unabhängige Faktoren mit sich tragen (Restschuld, Tageszinsen, Saldo). Genau da kommt Benford voll zur Geltung.

Auch die monatlichen Ausgaben der Finbee-Kreditnehmer (also nicht die Kreditsumme, sondern die laufenden Rückzahlungen) folgen Benford – das passt zu Zedandis These:

Marc selbst hat diesen Punkt aufgegriffen und in einem Folgebeitrag alle Mintos-Anbahner mit mehr als 1.500 Krediten einzeln durchgerechnet. Sein eigenes Fazit: Auf der Ebene der nominalen Kreditbeträge passt das Bild bei keinem Anbahner sauber, was die Forum-Kritik bestätigt. Erst wenn man stattdessen auf die Zinsbeträge oder Rückzahlungen umstellt, sieht das Bild bei vielen Anbahnern wieder akzeptabler aus. Bei einigen aber auch nicht:

Auch Varks taucht damit in einer Reihe mit Fastinvest, Eurocent und Grupeer auf – im Nachhinein ein weiterer Treffer der Methode, wenn auch nicht ganz so prominent wie die anderen.

Bulldogs RoboCash-Analyse 2021

Ein Telegram-User unter dem Pseudonym Bulldog hat 2021 die Methode auf Robocash angewandt. Sein Vorgehen ist methodisch sehr sauber dokumentiert in einem öffentlichen PDF – inklusive Excel-Vorgehensweise, was die Methode für jeden Interessierten zugänglich macht.

Das Ergebnis: keine gravierenden Anomalien. Robocash hat dabei aktiv mitgewirkt und ihm die nötigen Daten zur Verfügung gestellt. Das ist eine durchaus erwähnenswerte Form von Transparenz, die ich auf einer P2P-Plattform schätze – und Robocash hat sich bis heute als zuverlässige Plattform gehalten.

Was im Mai 2026 noch geht

Wer Marcs Methode heute eins zu eins wiederholen wollte, würde scheitern. Die Datenlandschaft hat sich in den letzten sieben Jahren deutlich verändert, und zwar nicht zugunsten der externen Beobachter.

Der Hauptgrund: Die ECSP-Regulierung (European Crowdfunding Service Providers) hat viele Plattformen auf ein Notes-Modell umgestellt, bei dem Investoren nicht mehr direkt in Einzelkredite investieren, sondern in gebündelte Wertpapiere. Mintos war hier 2021 der Vorreiter. Datentechnisch heißt das: Wer früher das komplette Loan Book downloaden konnte, sieht heute nur noch aggregierte Zahlen pro Note-Set. Externe Benford-Analysen sind damit für die meisten Plattformen schlicht nicht mehr möglich.

Die aktuelle Landschaft (Stand Mai 2026):

Bondora ist 2026 die einzige große europäische P2P-Plattform mit einem vollständig öffentlich downloadbaren Loan Book. Das ist ein Stück weit das letzte Refugium für externe quantitative Analysen. Wer hier mit Benford selbst spielen will, kann das auch heute noch tun – das Datenset ist mit über 700.000 Einzelkrediten und rund 100 Spalten alles andere als klein.

Bei den Notes-Plattformen bleibt dem externen Beobachter nur das, was die ECSP-Aufsicht inzwischen verpflichtend macht: aggregierte Default-Raten pro Risikoklasse, jährliche Geschäftsberichte, regelmäßige Reports an die nationale Aufsicht. Datentransparenz auf Einzelkreditebene ist damit für extern wohl Geschichte.

Wie ihr selbst loslegen könnt

Wer das selbst ausprobieren will, braucht weder einen Mathematik-Abschluss noch Programmier-Vorkenntnisse. Bulldog hat 2021 sein komplettes Vorgehen in Excel dokumentiert – das funktioniert für die meisten Anwender hervorragend.

Die fünf Schritte in Excel oder Google Sheets:

1. Daten laden: Loan Book als CSV/XLSX herunterladen (bei Bondora direkt von der Statistik-Seite).
2. Erste Ziffer extrahieren: In einer neuen Spalte =WERT(LINKS(TEXT(A2;"0");1)) ergibt die erste Ziffer jedes Kreditbetrags.
3. Häufigkeiten zählen: Mit ZÄHLENWENN() für jede Ziffer 1 bis 9 die Anzahl ermitteln, anschließend in Prozent umrechnen.
4. Erwartete Verteilung gegenüberstellen: Erwartung pro Ziffer ist =LOG10(1+1/d), also für d=1 etwa 30,1 %, für d=2 etwa 17,6 % und so weiter.
5. Vergleichen: Beide Spalten als Säulendiagramm visualisieren. Wer es genauer haben will, rechnet die MAD (Mittelwert der Absolutbeträge der Differenzen) und vergleicht mit den Nigrini-Schwellen oben.

Wer es lieber in Code haben will, hat reichlich Auswahl:

• Python: benford_py von Marcel Milcent. Installation über pip install benford-py. Erste Ziffer, erste zwei Ziffern, MAD, Z-Test, Chi-Quadrat, KS-Test, alles eingebaut. Demo-Notebook mit SPY-Daten als Einstieg.
• R: Das Paket benford.analysis von Carlos Cinelli bei CRAN ist Standard, enthält sechs Original-Nigrini-Datensätze zum Üben.
• Profi-Werkzeuge: IDEA (von Audicon – offizielle Prüfsoftware der deutschen Finanzverwaltung seit 2002), CaseWare ACL/Diligent One. Für den privaten Anleger Overkill, aber gut zu wissen, dass dieselbe Methode auch von Betriebsprüfern angewendet wird.
• Online-Tools ohne Installation: dCode Benford für schnelle Erstauswertungen.

Wer wissenschaftlich tief einsteigen will, findet im deutschsprachigen Raum den Arbeitsbericht 133 der WWU Münster (Dlugosz/Müller-Funk): „Ziffernanalyse zur Betrugserkennung in Finanzverwaltungen“. International ist Nigrinis Wiley-Buch das Standardwerk, und für die ISACA-Sicht ist Singletons Artikel im ISACA Journal 2011 ein gut lesbarer Praktiker-Text.

Die Grenzen der Methode

Bei aller Begeisterung für die Methode – ein paar nüchterne Punkte sind wichtig, sonst kippt das Ganze in „Hokuspokus“ zurück, was es eben gerade nicht ist.

Erstens: Bilanzbetrug auf Konzernebene erkennt Benford schlecht. Das hat die Wirecard-Analyse von Tragner deutlich gezeigt. Wenn nur wenige hundert konsolidierte Zahlen vorliegen, hat die Methode kein ausreichendes Datenfundament. Wirecard war einer der größten Bilanzskandale in der deutschen Wirtschaftsgeschichte – Benford hat ihn nicht entdeckt, und das ist methodisch nachvollziehbar, nicht ein Versagen der Methode.

Zweitens: Sophistizierte Fälscher können Benford austricksen. Eine Arbeit von Kazemitabar (2021) zeigt mathematisch: Wer weiß, dass Benford-Tests durchgeführt werden, kann seine Fake-Daten so generieren, dass sie Benford-konform aussehen. Marc hatte das damals schon im Kopf, als er schrieb: „Mit Benford wird nicht Betrug festgestellt. Mit Benford werden Abweichungen sichtbar.„

Drittens: Selbst saubere Daten oszillieren um die Grenzen. Eine grundlegende Kritik von Druică et al. (2018) in der Fachzeitschrift International Journal of Accounting Information Systems weist darauf hin, dass selbst völlig unverdächtige Daten zwischen „marginaler Konformität“ und „marginaler Nicht-Konformität“ pendeln. Eine einzelne Messung ist daher nie ein finales Urteil.

Viertens: Der Chi-Quadrat-Test hat ein „Excess-Power-Problem“. Bei sehr großen Datensätzen wird er statistisch signifikant, obwohl die Abweichung praktisch klein ist. Deshalb ist MAD oder ein normalisierter Z-Test in der Praxis robuster.

Wo die Methode 2026 sonst noch auftaucht

Wer denkt, Benford sei ein Werkzeug, das nur in der Buchhaltung der 90er Jahre relevant war, irrt. Gerade in den letzten zwei, drei Jahren erlebt die Methode eine zweite Welle – diesmal in der Crypto-Welt.

Eine aktuelle Studie von Grigorescu und Amza (Proceedings PICBE 2025) hat Bitfinex-Daten von 2013 bis 2023 untersucht. BTC/USD und ETH/USD folgen Benford fast lehrbuchmäßig – exotische Pairs wie BTC/MXNT, BTC/CNY und BTC/TRY weichen dagegen massiv ab. Eine andere Arbeit (Aloosh/Li, Management Science 2024) hat den Mt.-Gox-Leak benutzt, um Benford als Wash-Trading-Detektor mit „ground truth“ zu validieren. Das ist ein methodisch sehr starker Punkt: Bisher war Benford ein Indikator, jetzt gibt es echte Bestätigungsdaten.

Mit der MiCAR-Regulierung (vollständig anwendbar seit 30.12.2024) und den ESMA-Leitlinien zu Marktmissbrauch im Crypto-Bereich wird Benford zunehmend als regulatorisches Werkzeug betrachtet. Die Methode wird damit nicht weniger relevant, sondern mehr.

Mein Fazit zur Benford-Analyse für P2P-Kredite

Marc hat 2019 ein Werkzeug auf eine damals noch sehr junge und stark wachsende Anlageklasse angewandt, das die meisten in der P2P-Community als „Hokuspokus“ abgetan haben. Sieben Jahre später ist klar: Die Methode hat funktioniert. Nicht perfekt, nicht für jede Plattform, nicht in jedem Datentyp – aber besser als das Bauchgefühl es allein hätte tun können.

Was bleibt für mich davon im praktischen P2P-Alltag? Vor allem die Erinnerung daran, dass Transparenz die Voraussetzung für jede ernsthafte Analyse ist. Wo keine Loan-Daten existieren – und das ist 2026 bei den allermeisten ECSP-Plattformen der Fall – kann ich keine eigene Prüfung machen. Da bleibe ich auf die Aufsichtsregulierung, auf saubere Geschäftsberichte und auf das Kommunikationsverhalten der Plattform angewiesen. Drei Faktoren, die ein gutes Stück Augenmaß und Geduld erfordern.

Wer heute noch selbst rechnen will, kann das bei Bondora tun. Wer es bei einer Notes-Plattform tun will, kann nur seine eigenen investierten Kredite anschauen – was den methodischen Schwung der Großdatenanalyse natürlich nicht hergibt.

Halten wir fest: Benford ersetzt keine sorgfältige Plattform-Auswahl. Es ist ein zusätzlicher Blickwinkel, eine quantitative Frage, die wir den Plattformen stellen können – und die wir uns selbst stellen können, wenn die Daten dafür offen liegen. Im P2P-Werkzeugkasten hat das Werkzeug seinen Platz, im Zusammenspiel mit den qualitativen Warnzeichen und der jährlichen Standortbestimmung in „Welche P2P-Plattform scheitert“.

Und was ich auch noch sagen will: Wenn ihr Marcs Originalbeitrag von 2019 gelesen habt und die Auswertung damals als Panikmache empfunden habt – kein Vorwurf. Drei der vier Plattformen sind in den Folgejahren tatsächlich gefallen, aber das war zu dem Zeitpunkt eben nicht sicher. Im Rückspiegel ist man immer schlauer. Methodische Werkzeuge wie Benford geben uns kein Orakel, aber sie geben uns eine zusätzliche, mathematische Stimme, die wir hören können, wenn wir wollen.

Habt ihr selbst schon einmal Loan-Daten einer Plattform durch Benford gejagt? Wo seht ihr die Grenze zwischen sinnvollem Indikator und Pseudo-Sicherheit? Und glaubt ihr, dass die ECSP-Welt für externe Beobachter wie uns wirklich transparenter geworden ist – oder eher das Gegenteil?

Quellen und weiterführende Literatur

Marcs Originalbeitrag und die Community-Diskussion

• Marcs Blog Finstein: finsteininvest.pythonanywhere.com
• P2P-Kredite-Forum: Benford-Analysen zur Fraud-Erkennung von P2P-Loan-Books
• Bulldog (2021): Benford Analysis of Robocash V0.3 (PDF)
• P2P Café #5 (Juni 2019) – wo wir das Thema Benford damals erstmals im Podcast hatten

Wissenschaftliche Standardwerke

• Mark Nigrini (2012): Benford’s Law: Applications for Forensic Accounting, Auditing, and Fraud Detection. Wiley. ISBN 978-1-118-15285-0
• Theodore Hill (1995): A Statistical Derivation of the Significant-Digit Law. Statistical Science 10(4), 354–363. DOI: 10.1214/ss/1177009869
• Frank Benford (1938): The Law of Anomalous Numbers. Proceedings of the American Philosophical Society 78(4), 551–572
• Bernhard Rauch et al. (2011): Fact and Fiction in EU-Governmental Economic Data. German Economic Review 12(3), 243–255
• Stephan Dlugosz, Ulrich Müller-Funk (2008): Ziffernanalyse zur Betrugserkennung in Finanzverwaltungen. Arbeitsbericht Nr. 133, WWU Münster
• Tommy Singleton (2011): Understanding and Applying Benford’s Law. ISACA Journal Vol. 3/2011

Methodische Kritik und Grenzen

• Druică, Oancea, Vâlsan (2018): Benford’s law and the limits of digit analysis. International Journal of Accounting Information Systems 31, 75–82
• Kazemitabar (2021): Double-Crossing Benford’s Law. arXiv:2105.09812
• Kossovsky (2021): On the Mistaken Use of the Chi-Square Test in Benford’s Law. Stats 4(2), 419–453
• Sebastian Tragner: Benford-Analyse der Wirecard-Finanzkennzahlen (Bachelorarbeit, GitHub)

Aktuelle Forschung 2024–2026

• Grigorescu, Amza (2025): Cryptocurrency Trading Pairs and Benford’s Law. PICBE 2025. DOI: 10.2478/picbe-2025-0041
• Aloosh, Li (2024): Direct Evidence of Bitcoin Wash Trading. Management Science 70(12), 8875–8921. DOI: 10.1287/mnsc.2021.01448
• Sifat, Tariq, van Donselaar (2024): Suspicious trading in nonfungible tokens (NFTs). Information & Management 61(1), 103898

Praktische Tools

• benford_py (Python) auf GitHub, auch über PyPI: pip install benford-py
• benford.analysis (R) auf CRAN
• Bondora Public Statistics – die einzige große P2P-Plattform mit vollem öffentlichem Loan Book 2026
• Madoff-Tutorial mit R auf ephorie.de von Holger von Jouanne-Diedrich (FH Aschaffenburg)

Zuletzt aktualisiert am: 17. Mai 2026

Haftungsausschluss & Interessenkonflikt
Dieser Artikel ist ein Werbebeitrag. Ich erhalte eine Provision, wenn du dich über die enthaltenen Affiliate-Links registrierst und investierst. Dennoch investiere ich mein eigenes Kapital und habe selbst „Skin-in-the-game".

Ich besitze keine Erlaubnis als Finanzanlagenvermittler nach § 34f GewO und bin nicht von der BaFin zugelassen. Dieser Artikel stellt keine Anlageberatung und keine Anlageempfehlung dar.

Auf fast allen Plattformen, über die ich berichte, bin ich selbst investiert. Alle Angaben erfolgen ohne Gewähr. Investitionen in P2P-Kredite und vergleichbare Vermögensanlagen sind mit Risiken bis hin zum Totalausfall verbunden. Renditen in der Vergangenheit sind keine Garantie für die zukünftige Entwicklung. Jede Anlageentscheidung triffst du eigenverantwortlich.