风控日报 — 2026-06-28

📊 原料：45 条相关条目（GitHub 仓库搜索 50 条 / arXiv 10 条全部无关——电化学 SEIRA/SERS 超材料分子识别、暗能量状态方程二阶诊断、老年人认知辅助语言数字孪生、DanceOPD 图像生成蒸馏、多模态自演化统一模型、机器人行为克隆 ABC-130K、PhysiFormer 3D 物理仿真扩散模型、容错量子相位旋转催化剂、Schwinger-Dyson 概率几何探针、RayPE 3D 视频生成位置编码 / HN 15 / Trending 20 / Reddit 0）。arXiv 数据源连续十三期（06-13→06-28）返回 100% 噪声，累计 272 条全部无关。今日 GitHub 源亮点：anil-turan/aml-fraud-detection（Isolation Forest + LSTM Autoencoder + XGBoost 多模型集成 AML 管道，覆盖 5 类洗钱模式 + SAR 分诊 + 英国监管合规）、emmanuelmassawe/credit-card-fraud-detection（生产级 XGBoost + SMOTE + FastAPI + K8s HPA + DVC/MLflow/Prefect 完整 MLOps 管道）。另有 19 条已在近 1-2 期日报中覆盖（kitsune、finomaly、defi-risk-screening、VPN-Detector、marketplace-phaas-tracker、payment-channel-guide、AI_Fraud_Detection、upi-fraud-gnn、maharashtra-pride、graph-fraud-detector、cross-border-fraud-detection、payment-fraud-detector、SnifTern.ai、MuleShield-AI、sentinel-risk-engine、pulseai-risk-engine、Anthropic-Cybersecurity-Skills、energy-fraud-detection、GalFoks/fraud-detection-system），本轮不重复入选。

今日高信号

1. aml-fraud-detection — Isolation Forest + LSTM Autoencoder + XGBoost 多模型集成 AML 管道【信号：★★★】

anil-turan/aml-fraud-detection（0★, Python）是一个多模型集成反洗钱（AML）欺诈检测管道，核心架构：Isolation Forest（孤立森林异常检测）+ LSTM Autoencoder（时序自编码器异常检测）+ XGBoost（梯度提升树分类），声称 AUC-PR 0.93。覆盖 5 类 AML 典型模式（typologies）：结构化交易（structuring，拆分大额交易规避报告）、速度异常（velocity，短时间内高频交易）、地理风险（geo-risk，高风险地区交易），并集成 SAR（Suspicious Activity Report 可疑活动报告）分诊工作流，合规框架对齐 POCA 2002（英国犯罪收益法）和 FCA ML Regs 2017（金融行为监管局反洗钱条例），含 19 个测试。风控视角：三个技术维度极为突出：(1) 多模型集成策略——Isolation Forest 擅长无监督异常检测（不需要标注数据，适合发现未知洗钱模式），LSTM Autoencoder 擕长时序行为建模（捕捉交易序列中的异常节奏），XGBoost 擅长有监督分类（利用历史标注做精准判定），三者互补覆盖了 AML 检测的不同维度。(2) 5 类 AML typologies 直接映射 FATF（金融行动特别工作组）定义的洗钱模式——structuring 是最经典的洗钱手法（将大额拆分为多笔小额规避 CTR 现金交易报告阈值），velocity 检测快速资金流转，geo-risk 基于交易对手国的风险评级。(3) SAR 分诊工作流 + 监管合规——将 ML 检测结果直接接入 SAR 报告流程并对齐英国监管法规，展示了从「检测」到「合规报告」的完整闭环，这在开源项目中极为罕见。与反洗钱-AML 的多模型集成和 typology 检测、风控合规的 SAR 工作流关联。→ GitHub

2. credit-card-fraud-detection — 生产级 XGBoost + SMOTE + K8s + MLflow 完整 MLOps 管道【信号：★★★】

emmanuelmassawe/credit-card-fraud-detection（0★, Python）是一个生产级信用卡欺诈检测系统，技术栈极为完整：XGBoost（梯度提升树检测模型）+ SMOTE（合成少数类过采样处理类别不平衡）+ FastAPI（API 服务）+ Kubernetes HPA（水平 Pod 自动扩缩容）+ DVC（数据版本管理）+ MLflow（实验追踪与模型注册）+ Prefect（工作流编排）+ GitHub Actions CI/CD + 90%+ 测试覆盖率。模型在 284k 条交易上训练，声称 99.9% 准确率 · 93.2% F1 · 98.7% AUC。风控视角：该项目是欺诈检测 MLOps 工程化的教科书级参考，四个关键工程实践值得拆解：(1) SMOTE 处理类别不平衡——欺诈样本占比 <0.5%，SMOTE 通过在少数类样本间插值合成新样本，缓解了分类器偏向多数类的偏差。但需注意 SMOTE 可能导致过拟合（合成样本缺乏真实分布的多样性），需配合交叉验证使用。(2) DVC + MLflow 双重版本管理——DVC 管理数据版本（训练数据集的版本追踪），MLflow 管理模型版本（实验参数、指标、模型工件），两者结合实现了「数据 + 模型」的全链路可复现性。(3) Prefect 工作流编排——编排从数据获取→特征工程→模型训练→模型评估→模型部署的完整管道，支持定时调度和失败重试。(4) K8s HPA 自动扩缩容——应对交易高峰（如节假日）的流量弹性，是实时风控 API 的基础能力。与风控模型的 MLOps 工程化和实时风控引擎的弹性部署关联。→ GitHub

3. TRDGNN — 零泄漏时序 GNN 比特币欺诈检测【信号：★★】

samehHesham/TRDGNN（0★, Jupyter Notebook）是一个零泄漏（zero-leakage）时序图神经网络（Temporal GNN），专门用于比特币区块链欺诈检测，强调通过系统性实验方法实现有效检测。风控视角：两个关键词值得关注：(1) Zero-leakage（零数据泄漏）——在图欺诈检测中，数据泄漏是常见的陷阱：如果训练集和测试集的图节点之间存在边连接（信息泄漏），模型会在测试中表现虚高。零泄漏意味着严格的图分割策略（如基于时间或社区的分割），确保评估结果可信——这在学术 GNN 论文中经常被忽视，但在生产中至关重要。(2) Temporal GNN（时序图神经网络）——与传统静态 GNN（如 GCN/GAT 在固定图上聚合邻居信息）不同，时序 GNN（如 TGN/TGAT）捕捉图的动态演化：交易关系随时间变化，欺诈账户的连接模式在洗钱过程中会动态调整。比特币区块链欺诈是该技术的典型应用场景——区块链上的资金流向天然形成图结构，欺诈团伙通过混币器（mixer）、链跳（chain-hopping）等方式洗白赃款，时序 GNN 可以追踪资金流的动态演化。与风控模型的 GNN 时序建模和反洗钱-AML 的链上追踪关联。→ GitHub

4. ai-enforce — 全栈 AI 完整性规则引擎（NestJS + PostgreSQL 审计决策）【信号：★★】

YusufJojeh/ai-enforce（0★, TypeScript）是一个全栈 AI 完整性规则引擎（AI integrity rule engine），技术栈：NestJS（Node.js 后端框架）+ TypeScript + PostgreSQL（关系数据库）+ Prisma（ORM）+ React（前端）+ SSE（Server-Sent Events 实时推送），核心能力是输出可审计的风险决策（auditable risk-based allow/review/block decisions）。风控视角：三个工程实践亮点：(1) Allow/Review/Block 三态决策——不同于简单的二分类（通过/拦截），三态决策引入「人工审核」中间态，对应风控实际运营中的灰度处理——低风险放行、高风险拦截、中风险转人工。这种分层决策是生产风控引擎的标准模式。(2) SSE 实时推送——决策结果和风险告警通过 Server-Sent Events 实时推送到前端仪表盘，使风控运营人员可以实时监控决策流。(3) 可审计性（auditability）——每个决策的规则命中、输入特征、决策结果都持久化到 PostgreSQL，支持事后审计和合规追溯。AI integrity 的定位也值得关注——面向 AI 生成内容的完整性风控（如检测虚假内容、深度伪造），是风控向 AI 安全领域扩展的信号。与规则引擎的三态决策架构和风控合规的审计追溯关联。→ GitHub

5. bnpl-risk-engine — 实时 BNPL 风险评分 API（FastAPI + LightGBM + 规则前置）【信号：★★】

Gblack98/bnpl-risk-engine（0★, Python）是一个实时 Buy-Now-Pay-Later（先买后付）风险评分 API，技术栈：FastAPI（API 框架）+ LightGBM（梯度提升树检测模型，ROC-AUC 0.85）+ 规则淘汰（rule knockouts）+ ML 决策（ML decisioning），全面测试并容器化部署。风控视角：BNPL 是近年增长最快的信贷风控细分场景——消费者在消费时分期付款（类似花呗/白条），平台需要在交易瞬间评估用户的信用风险（是否会按时还款）。三个技术选型值得拆解：(1) 规则淘汰（rule knockouts）+ ML 决策的分层架构——这是生产风控的标准模式：先用硬规则（如「用户年龄 < 18 → 拒绝」「已有逾期 > 90 天 → 拒绝」）做快速淘汰，剩余进入 ML 模型评分。规则层保证合规底线，ML 层处理灰度决策，两者分层降低了模型的误杀风险。(2) LightGBM vs XGBoost——LightGBM 采用 leaf-wise 生长策略和直方图加速，在大规模数据上训练速度更快、内存占用更低，适合需要快速迭代的 BNPL 场景。(3) ROC-AUC 0.85 是 BNPL 信贷风控的合理水平——相比信用卡欺诈（0.98+），BNPL 场景的信号更弱（用户行为更不可预测）。与风控模型的规则+ML 分层架构和支付风控的 BNPL 场景关联。→ GitHub

6. cupel — AML 分诊 Agent 的独立行为保障评估【信号：★★】

burnssa/cupel（0★, Python）是一个面向 AML 分诊 Agent（triage agents）的独立行为保障（behavioral assurance）工具——包含一个完整示例（worked example）和一个「自带 Agent 评估（bring-your-own-agent eval）」框架。风控视角：该项目触及了 AI 驱动风控的一个前沿问题——Agent 行为评估与保障：当金融机构使用 AI Agent 自动分诊 AML 告警（决定哪些告警升级为人工审查、哪些自动关闭）时，Agent 本身的决策质量如何验证？「独立行为保障」意味着用一个独立于被评估 Agent 的系统来验证其行为是否符合预期——这类似于模型监控（model monitoring）但专门针对 Agent 的多步决策行为。cupel（坩埚）的命名暗示了「测试/炼化」的含义。随着越来越多的金融机构探索 LLM/Agent 驱动的 AML 运营（自动告警分类、自动 SAR 草稿生成），Agent 行为评估将成为合规审查的新焦点——监管机构会要求证明 AI Agent 的决策是可靠、一致、可解释的。与反洗钱-AML 的 Agent 化运营和风控模型的模型监控关联。→ GitHub

7. FraudGuard-AI — FastAPI + SHAP 支付欺诈检测网关（实时模拟 + PDF 审计）【信号：★★】

ANIKET640-a11y/FraudGuard-AI（0★, HTML）是一个FastAPI + 机器学习支付欺诈检测网关，核心特性：实时交易模拟（real-time transaction simulation）+ 交互式 SHAP 归因（interactive SHAP attributions）+ 安全会话认证（secure session auth）+ PDF 审计报告（PDF audits）。风控视角：两个特性直击风控落地的核心痛点：(1) 交互式 SHAP 归因——SHAP（SHapley Additive exPlanations）将模型的欺诈判定分解为每个特征的贡献度，使风控运营人员可以理解「为什么这笔交易被判为欺诈」（如「金额异常贡献了 +0.3，地理位置异常贡献了 +0.2，历史行为正常贡献了 -0.1」）。「交互式」意味着运营人员可以在仪表盘上动态调整特征值查看判定变化，这对于模型调试和客户申诉处理极有价值。(2) PDF 审计报告——将 SHAP 归因结果自动生成 PDF 报告，满足合规审计对「决策可追溯」的要求——这与 aml-fraud-detection 的 SAR 工作流形成呼应，共同反映了风控系统从「检测」到「可解释合规报告」的闭环趋势。与风控模型的 SHAP 可解释性和风控合规的审计报告关联。→ GitHub

8. stellar-identity-credentials-sdk — Stellar 链上去中心化身份 + KYC/AML 合规【信号：★】

Kevin737866/stellar-identity-credentials-sdk（0★, Rust）是一个构建于 Stellar 区块链 / Soroban 智能合约平台上的去中心化身份与可验证凭证（verifiable credentials）SDK，覆盖 KYC/AML 合规、声誉系统（reputation systems）和隐私保护证明（privacy-preserving attestations）。风控视角：去中心化身份（DID）+ KYC/AML 是链上合规的关键基础设施——传统 KYC 依赖中心化的身份提供者（如银行、认证机构），链上 KYC 则利用可验证凭证技术让用户自主控制身份数据的同时向合规方证明身份属性。隐私保护证明（如零知识证明 ZKP）允许用户在不暴露原始数据的情况下证明特定属性（如「年龄 > 18」「不在制裁名单上」），这对于满足 GDPR 等隐私法规下的 KYC 要求至关重要。Stellar/Soroban 的选择也值得关注——Stellar 是面向跨境支付的公链，其上的 KYC/AML 基础设施服务于跨境支付合规场景。与反洗钱-AML 的链上 KYC 和身份验证的去中心化身份关联。→ GitHub

技术趋势

多模型集成（ensemble）成为 AML 检测的工程标配：aml-fraud-detection 用 Isolation Forest + LSTM Autoencoder + XGBoost 三模型互补（无监督异常检测 + 时序行为建模 + 有监督分类），印证了单一模型难以覆盖 AML 的多样化洗钱模式，多模型集成在不同维度上捕捉信号是工程方向。
MLOps 全栈工程化深入风控模型生命周期：emmanuelmassawe/credit-card-fraud-detection 展示了 DVC（数据版本）+ MLflow（模型版本）+ Prefect（管道编排）+ K8s HPA（弹性部署）+ CI/CD（自动化）的完整 MLOps 链路，反映风控模型从「Notebook 实验」到「生产系统」的工程化深度持续提升。
规则淘汰 + ML 决策的分层架构是生产标准：bnpl-risk-engine 的「rule knockouts + ML decisioning」与 ai-enforce 的「allow/review/block 三态决策」共同印证了生产风控引擎的标准分层模式——硬规则保证合规底线、ML 处理灰度决策、人工审核兜底高风险案件。
SHAP 可解释性 + 审计报告形成合规闭环：FraudGuard-AI 的交互式 SHAP 归因 + PDF 审计与 aml-fraud-detection 的 SAR 工作流形成系列，共同反映了风控系统从「检测」到「可解释合规报告」的闭环趋势——模型不仅需要给出判定，还需输出可审计的解释。
AI Agent 行为保障成为风控新课题：cupel 面向 AML 分诊 Agent 的独立行为评估，预示着随着 LLM/Agent 进入风控运营（自动告警分类、SAR 草稿生成），Agent 行为的可靠性、一致性、可解释性验证将成为合规审查的新焦点。

行业案例

BNPL（先买后付）信贷风控：bnpl-risk-engine 展示了 BNPL 场景的实时风险评分，LightGBM + 规则淘汰的 ROC-AUC 0.85 反映了该场景的信号弱于传统信用卡欺诈（0.98+），用户还款行为的不可预测性是核心挑战。
英国 AML 合规实践：aml-fraud-detection 直接对齐 POCA 2002 和 FCA ML Regs 2017，覆盖 5 类 FATF 洗钱 typologies，展示了英国监管框架下的 AML 系统工程实践，对于理解跨境金融合规有参考价值。
比特币链上欺诈追踪：TRDGNN 的零泄漏时序 GNN 针对比特币区块链的资金流图结构做欺诈检测，链上交易数据天然适合图算法，但洗币器/链跳等规避手段对时序建模提出了高要求。

值得深入

aml-fraud-detection 的 SAR 分诊工作流：开源项目中极少见到将 ML 检测直接接入 SAR 报告流程并对齐监管法规的实现，值得深入研究其 SAR 草稿生成逻辑和合规字段映射。→ GitHub
TRDGNN 的零泄漏图分割策略：时序 GNN 在区块链欺诈检测中的数据泄漏问题值得深入研究——如何设计时间感知的图分割确保训练/测试集的信息隔离。→ GitHub
cupel 的 Agent 行为评估框架：随着 LLM Agent 进入风控运营，Agent 行为的独立评估方法论值得跟踪——这是 AI 驱动风控合规化的前沿课题。→ GitHub