风控日报 — 2026-08-25

📊 原料：44 条相关条目（GitHub 仓库搜索 33 条 / arXiv 11 条全部无关——新批次 2608.21xxx（08-21 提交日期）：QED 真空非线性光子态、太空采矿机器人、撒哈拉以南 AI 诊断 agent 治理、牛顿法原始加速、PerturbRx 药物响应预测、序列预测校准度量真实性理论（校准主题沾边但纯博弈论无风控应用）、AI 权限与验证、OmniAssistBench 全模态助手基准、定价面板不确定性、流匹配难度校准插值、Lanczos 有限精度稳定性）。arXiv 全噪声小计：连续 30 期（07-17→08-25）全噪声，累计 723+ 条中 1 条相关，噪声率 99.9%。剔除构成：~19 条已覆盖/非风控残留（marketplace-phaas-tracker[08-15★已覆盖]、antifraud-knowledgehub[08-12]、disposable-email-detector、justcheckingmate[08-09]、eramitgupta-disposable-email、lucidfence[08-07]、FFraud-com×2[数据库]、jd-capital-terminal[08-20]、xm2325/payment_fraud_decisioning[08-24]、victig[08-14]、ChinnaDevelopers/LLMs-for-GFDs[08-24 空模板]、Raihankoduvaly[08-24 文档only]、invariant-CaT-GNN[08-24]、prompt-integrity-validator、agent-standup、SecCheck[韩企审查]、accessai[WCAG 无障碍非风控]、portfolio-risk-engine[投资组合]、TemporalStore[LLM 记忆]）+ upishield 重复剔除（07-01 已覆盖，同仓同指标 333 txns/sec @2ms p99）+ finpulse-trading-engine 剔除（声称体量不匹配：README 自称机构级亚微秒撮合+React 终端，仓库仅 22KB，徽章指标幻觉家族）+ R23Yadam/trading-engine（市场侧交易模拟，确定性回放设计不错但非风控）。连续 1 日无新确认恶意仓库（上日 08-24 新增 1 个），累计维持 20 个；残留不重复验证：yoelpa6680/upi-fraud-gnn（07-26）、primatewakeisland574/payment-channel-guide（08-09）。今日筛出 8 条新增高信号条目。今日核心亮点是 txwatch 的 v2→v3 模型迭代故事——离线 0.948 AUC 的 432 特征模型在生产坍缩到 ~0.66（413 个特征线上不可得），重训只吃线上拿得到的 39 个特征后离线即生产；以及三件 Razorpay AI Buildathon 同赛作品（sentinelpay/RecoverAI/AI-Risk-Manager）同日涌入关键词搜索的"黑马拉松浪潮"。

今日高信号

1. txwatch (TxWatchCore) — "只训练你线上拿得到的特征"（IEEE-CIS 590K 三版模型迭代：v2 离线 0.948 AUC 生产坍缩 ~0.66（413/432 特征不可得）→ v3 只用 39 个可供给特征 0.928 离线即生产 + 7 策略 SHAP 延迟基准 + 服务实现状态诚实申报）【信号：★★★】

TxWatchCore/txwatch（1★, Python, 2026-02 创建→08-24 持续推送, IEEE-CIS 590,540 交易 / 3.5% 欺诈基率, docker-compose 四件套 Redis/PG/Kafka/ZK）是一个"卡交易实时反欺诈"服务群，但真正的高信号是它的模型版本迭代方法论：v1（18 精选特征）离线 0.896 但依赖推理时不可得特征不可上线；v2（全量 432 特征）离线 0.948\*——星号诚实标注"离线虚高：生产只拿得到 ~19 个，其余零填充，服役形态坍缩到 ~0.66 AUC / 5% 精确率"；v3（39 个真实可供给特征：原始交易/卡/邮箱域 + M-match 标志 + D-recency）离线 0.928 就是它在线上交付的水平，且每条 SHAP 解释引用的都是真实在场的信号。三版在同一 held-out 切分（random_state=42）上对比，结果表直接印在 README。

第二个亮点是 SHAP 策略基准：services/inference/benchmark.py 对 7 种 SHAP 策略对比精确 TreeSHAP——reduced_tree（子采样背景）3.8ms vs 精确 67.6ms（18× 提速 @ ~0.017 MAE）是甜点；async_posthoc 把 SHAP 移出热路径换取无解释响应。还有三处工程纪律：(1) Kaggle 规则合规——数据集 gitignore、训练产物（ONNX/LightGBM）入库、SHAP 背景集用种子化脚本再生（字节一致）；(2) 服务状态表逐项申报（inference/feature/audit 已实现，decision/gateway 明示 scaffolded）；(3) 决策策略当前住在推理 sidecar 的双阈值里（0.90 自动 BLOCK @71% 精确率 / 0.50-0.90 进人工），抽出独立 decision 服务的计划写明。

风控视角："特征可得性"是一等建模约束的量化教材：国内面试与生产反复撞到的"离线指标漂亮、上线拉胯"，这里第一次给出三版本对照的完整解剖——问题不是分布漂移而是特征契约缺口（训练用了线上拿不到的 413 个字段）。与 08-10 Sentinel 的 feature_spec.json 零 skew 契约、08-11 PaymentFeatureEngineer 变压器封装同谱系但更根本：先盘点 /score 请求实际能带什么，再定特征集。SHAP 7 策略基准是"解释的延迟预算"第一次被系统测量，直接可抄进任何要在线出 SHAP 的系统。与 风控模型 的特征工程与 实时风控引擎 的推理服务直接相关。→ GitHub

2. SentinelPay (adarshthakur9240) — 极端不平衡 0.17% 全家桶 + SHAP 拒付争议证据卷（ULB 284,807/492：scale_pos_weight=578.55 精确类比例胜 SMOTE + 成本最优阈值 t=0.10（$5 FP 摩擦 vs $122.21 FN 拒付）+ 保序校准 ECE 0.04%→0.01% + GraphSAGE vs 经典图基准诚实研究 + NetworkX 风险扩散 + Kafka 滑动窗口 + live 三端验证）【信号：★★★】

adarshthakur9240/sentinelpay（0★, Python+Next.js, 08-23 创建→08-24 推送, 13MB, Razorpay AI Buildathon Track 02 提交, live Vercel + Render 实测 200）把"信用卡欺诈教科书栈"一次做齐：(1) 不平衡处理——ULB 数据 492/284,807（0.17%），LR 基线先行（6.73% 精确率/901 误报），XGBoost 用精确类比例 scale_pos_weight=578.55 胜过 SMOTE（79.75% 精确率/85.14% 召回，PR-AUC 0.8424）；(2) 成本敏感阈值——拒绝 θ=0.5 惯例，参数化扫描 $5 FP 审查摩擦 vs $122.21 FN 拒付损失，最优 t=0.10；(3) 校准——保序回归 ECE 0.04%→0.01%；(4) 流式——Kafka 5 分钟滑动窗口 velocity 消费者 + 1.15× 风险集成加成 + WebSocket 实时馈送；(5) 图智能——NetworkX 连通分量 + 风险扩散找出"0% 孤立风险"的共谋节点；(6) 诚实研究——GraphSAGE vs 经典图基准、负结果披露、模拟组件公开标注（"Scientific Honesty" 是评分维度之一）。

差异化亮点是"拒付争议证据生成器"：SHAP TreeExplainer 输出被打包成 dispute evidence dossier（/evidence 页面）——为拒付抗辩（chargeback mitigation）生成数学归因证据，风险引擎的产出第一次瞄准争议流程而非仅决策本身；且明示"advisory-only、零自动阻断能力"（Defense-Only Scope）。

风控视角：实践密度本周最高的单仓：类比例 vs SMOTE 的对照、成本阈值扫描、校准曲线、图基准诚实研究——四个常见面试考点一仓全覆盖，且每项都有 docs/ 证据文件。拒付证据卷是"SHAP 进业务流程"的新形态（解释不只给分析师/监管看，还给卡组织争议裁决看）。⚠️ 黑马拉松提交、全合成公开数据集、评委导向 README（评分维度映射表）。与 08-12 freyabytes/SentinelPay 同名不同仓。与 风控模型 的成本敏感决策与 反欺诈体系 的拒付治理直接相关。→ GitHub · Live

3. mule-fraud-detection (lakshaygaba18) — 骡子账户 GNN + 无标签漂移监控三件套（拓扑特征 pass_through_ratio/velocity_hours + PSI 特征与分数漂移 + JS 散度解释模式漂移 + FastAPI/前端，"标签永远迟到"的生产假设写进 docstring）【信号：★★】

lakshaygaba18/mule-fraud-detection（0★, Python/PyTorch Geometric, 08-24 创建，无 README 但代码全部真实）是骡子账户检测的紧凑实现：GraphSAGE 二部图（sender→receiver 边 + 账户节点特征），特征是七个图拓扑量（in_degree/out_degree/unique_senders/unique_receivers/pass_through_ratio/velocity_hours/in_span_hours）——"过路账户比率"与"资金在户时长"正是骡子账户的业务本质；基线模型 + GNN 双轨（baseline_model.json + gnn_model.pt 在仓），simulate_data/simulate_drift_batch 两套模拟器分离常态与漂移批次。

真正的高信号是 drift_monitor.py（260 行）的"无标签漂移三件套"：(1) 特征分布 PSI（分位桶，阈值 0.10/0.25 沿用银行业模型风险团队惯例，docstring 明示"PSI 比 KL 更适合合规面板因为 KL 无固定标度"）；(2) 分数分布漂移——直接监控 risk_score 本身而非只看输入；(3) 解释模式漂移——用 JS 散度监控 explanation-tag 分布的偏移。docstring 开宗明义："不需要新真值标签（生产里标签永远迟到）"——把标签延迟当作漂移监控的存在理由，与 08-19 延迟标签特征工程、08-24 payment_fraud_decisioning 标签延迟泄露实验同题但落在监控侧。

风控视角："解释漂移"是解释资产化的下一步：08-24 transparent-graph-fraud-xai 把解释保真度做成评估指标，这个仓把解释分布做成了线上监控对象——当 SHAP 归因的 top 特征构成开始漂移，即使分数稳定也值得排查（特征重要性坍缩=模型在换理由，常是攻击适应的前兆）。PSI/JS 双度量 + DriftReport 数据类可直接进 dashboard 或合规日志。⚠️ 无 README、单人仓、模拟数据。与 风控模型 的模型监控和 图风控 的骡子账户检测直接相关。→ GitHub

4. AI-Risk-Manager (gopal-labs) — 印度 UPI 风险全功能台（复合评分 0.4 规则+0.45 ML+环加成 + UPI collect 滥用低信任 VPA 后缀规则 + SIM swap 速度 + NetworkX 五节点二部图环检测 + FP 摩擦成本滑杆 + HITL 队列 LLM 摘要确定性回退 + 反馈再训练端点）【信号：★★】

gopal-labs/AI-Risk-Manager（0★, FastAPI+React, 08-24 创建，Razorpay AI Builder Track 2，F1-F10 PRD 覆盖表全 ✅）是商户+交易双侧的风险情报平台。UPI 专属信号是最有价值的部分：collect request abuse 规则针对低信任 VPA 后缀（@ybl/@paytm/@ibl）+ 高金额 + 速度尖峰的组合；设备与 SIM 变更速度检测 ATO（SIM swap velocity × 陌生设备绑定）；规则运行时可经 /upi/config 热切换——印度支付生态的具体对抗手法第一次以规则参数形式开源。复合评分有硬阻断地板 88.0（硬规则触发即兜底）与三段风险带（≥70 DANGER/≥40 WATCH/<40 SAFE）；FP 成本仪表盘（F8）把阈值滑杆与 FP 摩擦成本（₹500/次）、单 TP 止损（₹12,500）、净财务影响联动——阈值治理的产品化；反馈环（F10）从分析师三态决策（confirmed_fraud/false_positive/needs_investigation）计算一致率并触发再训练。

风控视角：UPI 对抗手法的规则化样本：08-17 三连 UPI 工程（PayShield/Sentinel UPI/DPFRIS）之后，UPI 主题的第四次出现——这个仓补的是"收款请求滥用"这个 UPI 独有向量（ pulls 付款而非 push 付款，欺诈面完全不同）。LLM 摘要带确定性回退（无 API key 时降级到模板生成）与 08-24 app-fraud-interdiction 的"LLM 不碰决策"同族但用在 HITL 队列。⚠️ 黑马拉松提交、合成数据、评分权重（0.40/0.45）为手调。与 反欺诈体系 的 ATO 与营销滥用、风控策略 的阈值治理相关。→ GitHub

5. RecoverAI (AdithyaAbburi) — 支付失败回收的有界自治 agent（六段管线：确定性风险分 → 本地 LLM 根因诊断 → ERV 期望回收值优化器 → 确定性策略护栏（MAX_ATTEMPTS=2/≥INR 25K 人工） → 种子化模拟器执行 → 不可变审计 + 千例三臂对照 32.1%/51.5%/66.0%）【信号：★★】

AdithyaAbburi/RecoverAI（0★, Python 3.13/FastAPI/Streamlit, 08-24 创建，Razorpay AI Buildathon Track 03 收入回收赛道）做的是支付风控的邻接场景——失败支付的收入回收（dunning/revenue recovery）：交易失败流入 → 确定性风险引擎打 0-100 → 本地 DeepSeek-Coder:6.7b（Ollama CPU） 诊断根因（结合 LTV/逾期发票/交易日志）→ ERV 优化器选动作：期望净回收 = 成功率×金额 - 运营成本 → 确定性策略引擎终审（重试上限 2 次、退订用户禁触达、≥INR 25,000 强制人工）→ 有界工具执行 → SQLite 不可变审计。评估是千例合成失败三臂对照：朴素重试 32.1% / 静态规则 51.5% / agent 66.0% 回收率，策略违规率 0%、停机规则合规 100%（MAX_ATTEMPTS=2 被强制执行）——同一模拟器种子保证可比。

风控视角："LLM 建议、确定性否决"的又一独立样本：与 08-24 app-fraud-interdiction（决策核心纯 stdlib）、08-12 FraudLens（LLM 仅引用不可覆盖）构成三仓同构——agent 时代的风控系统里 LLM 的位置收敛为"诊断/叙述"，钱的动作永远过确定性策略门。ERV 把"重试几次"从拍脑袋变成期望值优化，与 08-24 payment_fraud_decisioning 的 P×(amount/median)^α 同为"金额感知决策"家族。支付失败回收本身是国内支付团队（断网重试/代扣失败挽单）真实场景。⚠️ 黑马拉松、全合成评估、本地小模型诊断质量未验证。与 实时风控引擎 的决策服务化和 风控策略 的护栏设计相关。→ GitHub

6. pix-sentinel (guivital1) — 巴西 PIX 实时风险管道（SQS+Lambda+S3+Athena 事件驱动 + 五信号加权可解释评分 + 版本化 schema 契约/部分重试/确定性去重/DLQ/有界重放 + 成本kill switch 默认关 + 已验证云上运行记录）【信号：★★】

guivital1/pix-sentinel（0★, Python 3.11, 08-22 创建→08-24 推送, AWS SAM IaC, live 风险监控页实测 200）是巴西 PIX 即时支付的可解释事件驱动风控演示：合成 PIX 流 → 加密 SQS（带死信队列）→ Lambda 评分（两小型 ARM 函数）→ S3 小时分区湖 → Athena 查询 → 交互监控页。评分是五信号加权表（超高金额 35/极端速度 30/新设备 18/新账户 12/异常时段 10，封顶 100），每条告警保留触发信号明细——"决策可审计而非黑盒预测"。可靠性五件套：版本化 schema 契约、部分批次重试、确定性微批去重、DLQ 隔离、有界重放，CloudWatch 监控队列年龄/消费者错误/死信。成本纪律最突出：调度默认禁用（部署不产流量）、数据 30 天过期、SAM 参数一键开关，且 README 附已验证云上运行记录（08-23 受控执行 25 事件/5 微批/零错误，取证后环境即拆除）。

风控视角："成本感知基建"的模板级样本：云上风控演示最常见的翻车是忘关调度烧钱——这个仓把 kill switch 做成默认态并把"取证后拆除"写进流程，是作品集工程与真实云成本意识的结合。PIX 是.digests 里第一次出现的巴西支付轨道（此前 UPI/M-Pesa/PesaLink 已多次），新兴市场即时支付风控的轨道光谱又补一格。五信号加权 + 明细留存的"可解释优先"与 08-13 nikorokni 六维度加权同族。⚠️ 合成数据、评分规则简单（深度在管道不在模型）。与 实时风控引擎 的事件驱动与可靠性直接相关。→ GitHub · Live

7. hybrid-gnn-fraud-intel (imbeka06) — 肯尼亚移动货币欺诈五拓扑平台（GNN+XGBoost 堆叠混合 + Neo4j 实时图 + 五类具名欺诈拓扑（代理反转环/骡子+SIM swap/快速提现爆发/贷款"提喻环"/商户异常 densification）+ CBK AML 合规格式 + 公民/分析师双角色 UI，live 部署在线）【信号：★★】

imbeka06/hybrid-gnn-fraud-intel（2★, Python+React, 2026-03 创建→08-24 持续推送, 40MB, live Netlify 实测 200, 6 个月持续维护）面向肯尼亚移动货币生态（M-Pesa 类）：混合集成 = GNN 结构模式识别 + XGBoost 速度检测，五类具名欺诈拓扑直接对齐东非真实手法——Agent Reversal Scam Rings（带反转的环形交易）、骡子+SIM swap（共享设备星型网）、Fast Cash-out Explosions（短窗高速爆发）、Loan Fraud "Synecdoche Circles"（默认违约的密集隐蔽社区）、商户异常 densification。三模型并存可比（baseline XGBoost/GNN/Stacked Hybrid），Neo4j 实时图可视化，FastAPI 后端跑模型评估脚本，CBK（肯尼亚央行）AML 合规格式报表页，告警队列带分析师 approve/deny 动作；双角色入口（普通用户 mwananchi / 专家端）。

风控视角：新兴市场欺诈拓扑的具名清单有价值：五类拓扑里"代理反转环"与"贷款提喻环"是移动货币代理体系（agent network）特有的手法，成熟卡支付体系里没有对应物——对做跨境/新兴市场支付风控的读者这是稀缺的对抗面目录。CBK AML 格式合规输出对应"检测→STR 草稿"链路的本地化（与 08-10 ChainLens 台湾 VASP STR 草稿同模式）。6 个月维护+真实部署在 0-2★ 仓里少见。⚠️ 文档仓结构偏多（PHASE_3_COMPLETION_REPORT 等过程文档入库）、模型对比指标待复核。与 图风控 的拓扑检测和 反洗钱 的 STR 生成相关。→ GitHub · Live

8. fraud-detection-system (azezsarisari) — 部署在线的 PaySim 全周期基线（RF + 时间泛化/泄露评估 + 特征消融 + SHAP + Railway 双服务 live 健康验证 + Docker/测试）【信号：★】

azezsarisari/fraud-detection-system（0★, Python, 08-24 创建, Streamlit + FastAPI 双 Docker, Railway 部署实测 200：dashboard 正常渲染、/health 返回 {"status":"healthy","model_loaded":true}）是 PaySim 上的端到端 ML 全周期实现：数据分析→特征工程→多模型对比→不平衡分析→阈值优化→SHAP→时间泛化与数据泄露评估→特征消融→API→仪表盘→容器化→云部署。每笔交易输出类别/概率/风险等级三级告警。

风控视角："全周期 checklist 的最小可信实现"：单项无突破，但把时间泛化评估与泄露检查列进标准流程、双服务真实部署且健康检查通过，作为全周期学习地图与"部署真的跑起来了"的底线样本。与 08-24 ARGUS 七层栈相比深度不足、完整度相当。⚠️ PaySim 高度饱和、教学级。与 风控模型 的评估体系相关。→ GitHub · Dashboard · API

技术趋势

  • "只训练你线上拿得到的特征"成为显式方法论：txwatch 的 v2→v3 三版对照（离线 0.948 生产坍缩 ~0.66 → 39 特征 0.928 离线即生产）第一次把特征可得性缺口（不是分布漂移）量化成完整案例——防泄露/防 skew 纪律光谱（08-10 契约→08-11 变压器→08-13 密封边界→08-18 泄露量化→08-24 三权分立）延伸到最上游：特征集定义本身。
  • 印度 Razorpay AI Buildathon 单日涌入三仓（sentinelpay/RecoverAI/AI-Risk-Manager）：黑马拉松成为开源风控工具的批量生产源——上侧是实践密度高（成本阈值/校准/护栏/诚实表全齐），下侧是合成评估与评委导向 README；识别赛事背景（Track 编号/评分维度映射表）应成为 triage 常规步骤。
  • 解释资产化再进两步：SHAP 策略延迟基准（txwatch 7 策略、reduced_tree 18× 提速）给"在线解释"定了预算表；解释模式漂移监控（mule-fraud-detection 的 JS 散度监控 explanation-tag 分布）把解释从输出变成被监控对象——与 08-24 解释保真度五指标前后呼应，"解释工程"正在成形。
  • "LLM 建议、确定性否决"模式三仓同构确认：RecoverAI（ERV+策略门+人工队列）与 08-24 app-fraud-interdiction、08-12 FraudLens 独立收敛——agent 时代风控的 LLM 位置共识从"不碰决策"细化为"诊断/叙述/建议，钱的动作过确定性门"。
  • 拒付争议成为风控输出新靶点：sentinelpay 把 SHAP 归因打包成 chargeback dispute dossier（给争议裁决的证据，不只给决策）——风险引擎产出从"拦不拦"扩展到"抗辩材料"。
  • 成本感知基建默认化：pix-sentinel 的调度默认关+30 天过期+取证即拆除，与 08-24 financial-risk-engine 全免费层五件套同向——云上风控 demo 的成本纪律成为新的作品集区分度。

行业案例

  • 卡交易欺诈：txwatch（IEEE-CIS 三版模型：特征可得性约束下的 0.928 即生产）
  • 信用卡极端不平衡：SentinelPay（ULB 0.17%，类比例 578.55 胜 SMOTE + 拒付证据卷）
  • 骡子账户+监控：mule-fraud-detection（过路比率/在户时长拓扑特征 + PSI/JS 无标签漂移三件套）
  • UPI 收款滥用：AI-Risk-Manager（低信任 VPA 后缀 + SIM swap 速度 + FP 成本滑杆）
  • 支付失败回收：RecoverAI（ERV 期望值优化 + 千例三臂对照）
  • 巴西 PIX：pix-sentinel（SQS/Lambda/Athena 五信号加权 + 成本 kill switch）
  • 肯尼亚移动货币：hybrid-gnn-fraud-intel（五类具名欺诈拓扑 + CBK AML 格式）

值得深入

  1. txwatch 的 benchmark.py SHAP 七策略实现——reduced_tree 的子采样背景怎么做、MAE 怎么测、async_posthoc 的响应内解释契约——整理成"在线解释延迟预算"答题素材。
  2. mule-fraud-detection 的 drift_monitor.py（260 行可通读）——PSI 分位桶边界处理、JS 散度在解释 tag 上的应用、DriftReport 数据类的面板/合规日志双用途设计。
  3. sentinelpay 的 docs/cost_analysis.md——$5 FP/$122.21 FN 的参数化扫描曲线与 t=0.10 的推导，对照 08-20 fraud-policy-ab-test 的非劣性 guardrail 补全"成本敏感阈值"答题框架。
  4. pix-sentinel 的 cost-safety 文档与 SAM 参数化——"默认不产流量"的云上 demo 成本纪律如何模板化。