十大欺诈检测和交易监控代理

十大欺诈检测和交易监控代理

2026年8月17日更新

欺诈预防正从孤立的风险评分转向端到端的风险运营。现代系统被期望能够实时对交易进行评分，将其关联到相关账户和设备，调查周围活动，解释决策，并推荐后续行动。

这种工作流很重要，因为交易模型和调查代理解决的问题不同。规则和机器学习模型检测并评分风险。代理收集证据，连接事件，总结案例，推荐行动，有时还会自动化低风险的处理。 Unit21直接描述了这种区别：欺诈代理应该执行调查任务，而不是仅仅显示分数或总结分析师已经可见的信息。(unit21.ai)

因此，最强大的平台结合了：

• 实时规则和机器学习
• 行为和设备智能
• 基于图的实体和交易分析
• 案例调查和证据收集
• 可解释的决策和不可篡改的审计追踪
• 补救建议
• 模型漂移和结果监控

本文根据这些要求，比较了十个领先平台，特别关注精准率、召回率、欺诈捕获提升、退单结果、分析师生产力、隐私、延迟、可解释性和模型漂移。

执行判决

没有普适的最佳欺诈检测代理。正确的选择取决于主要问题是银行卡欺诈、即时支付、账户盗用、授权推送支付诈骗、洗钱、制裁筛查，还是调查能力。

最重要的结论是，代理的成熟度和检测质量是不同的维度。一个平台可能拥有令人印象深刻的调查副驾驶功能，但交易层面的召回率较低。另一个平台可能具有出色的欺诈评分能力，但自主案例工作能力有限。买家应单独评估这两个层面。

欺诈检测代理的工作原理

一个实用的欺诈和交易监控架构有四个层面。

1. 实时决策

该层面在支付结算前对其进行评估。它通常结合了：

• 确定性规则
• 速度检查
• 行为档案
• 设备和会话信号
• 客户和交易对手风险
• 历史交易模式
• 网络或联盟情报
• 有监督和无监督机器学习

输出通常是批准、拒绝、保留或审查决定，并附带风险评分和原因代码。

2. 图和关系分析

基于图的系统连接：

• 客户
• 账户
• 卡片
• 设备
• 互联网地址
• 电话号码
• 电子邮件地址
• 商户
• 受益人
• 交易对手
• 交易

这对于欺诈团伙、洗钱网络、合成身份、串通、账户盗用和通过多个账户的资金流动特别有用。

然而，图分析并非自动就是“图推理”。显示连接实体的可视化与评估多跳关系、交易序列和网络行为的模型是不同的。最好的系统能生成证据路径，例如：

“此受益人从七个最近开立的账户接收了资金，所有这些账户都与两个设备和一个先前与已确认欺诈相关联的电话号码相关联。”

3. 调查代理

调查代理可以：

• 检索交易历史
• 搜索关联实体
• 审查先前的警报和处理结果
• 检查设备和行为信息
• 查询外部情报
• 识别相关案例
• 构建时间线
• 总结证据
• 推荐处理结果
• 起草内部案件叙述
• 准备可疑活动报告

代理应显示支持每个结论的证据。对于监管机构或经验丰富的调查员而言，没有来源记录的流畅叙述是不够的。

4. 补救和反馈

最后一层推荐或执行行动，例如：

• 批准交易
• 要求更强的客户身份验证
• 临时保留
• 拒绝交易
• 暂停账户
• 阻止设备或受益人
• 召回或退回资金
• 联系客户
• 升级至高级调查员
• 提交可疑活动报告
• 启动增强尽职调查
• 创建或修改规则
• 将关联实体添加到观察名单
• 更密切地监控客户

高风险行动应仍受政策控制和人工批准。代理不应拥有在没有治理的情况下更改规则、永久关闭账户或提交监管报告的无限制权限。

公开基准的重要局限性

欺诈供应商经常发布令人印象深刻的百分比数据，但这些数据很少能直接比较。公开案例研究可能报告：

• 未披露基线的百分比变化
• 捕获的欺诈价值而非交易层面的召回率
• 仅有误报减少数据而无漏报数据
• 来自单一支付通道的结果
• 短暂的测试期
• 特定客户的实施结果
• 选定的欺诈类型
• 与其他控制措施同时运行的模型

大多数供应商不公布包含交易计数、欺诈发生率、精准率、召回率、误报率、误拒率、退单结果和置信区间的标准化混淆矩阵。

这意味着以下排名是基于能力匹配度和公开证据，而非宣称某个供应商已确定实现了最高的实际精准率或召回率。

精准率和召回率

对于欺诈检测器：

• 精准率提问：在标记为欺诈的交易中，有多少实际是欺诈？
• 召回率提问：在所有欺诈交易中，系统捕获了多少？
• 误报率衡量被错误标记或阻止的合法活动。
• 漏报率衡量未被检测到的欺诈。

由于欺诈通常相对于合法活动而言是罕见的，因此准确性可能具有误导性。一项使用公共欧洲信用卡数据集的最新研究处理了284,807笔交易，欺诈发生率仅为0.173%，同时强制执行按时间顺序的数据分割以建模时间漂移。(pubmed.ncbi.nlm.nih.gov)

一个模型可能看起来非常准确，但却错过了商业上重要的欺诈量。买家应优先考虑：

1. 在实际审查率下的精准率
2. 在实际拒绝或干预率下的召回率
3. 欺诈价值捕获
4. 误拒率
5. 退单和争议率
6. 批准和转换率
7. 分析师工作量
8. 标签成熟后的表现

公开证据快照

除非另有说明，以下数据均为供应商报告或客户案例研究结果。“未公开披露”表示该供应商未公布整个平台的可比较精准率和召回率结果。

十大欺诈检测和交易监控代理

1. Unit21：欺诈与金融犯罪的最佳全能代理平台

Unit21是围绕完整的检测到调查工作流设计的平台中最清晰的例子之一。其系统结合了规则、行为信号、设备智能、图分析、欺诈联盟信息、案例管理和人工智能代理。

其检测代理实时分析交易和警报。其调查代理收集证据，识别关联实体，总结风险，推荐行动，并创建案例叙述。该平台还支持从警报到案例再到可疑活动报告的工作流，并附有记录的调查步骤。(unit21.ai)

Unit21表现出色的方面

• 非常适合金融科技公司、支付公司和金融机构
• 声称亚250毫秒的实时决策
• 将规则、可解释机器学习、基于图的规则和调查代理整合在一个环境中
• 影子测试、历史验证和沙盒部署
• 跨渠道监控，涵盖自动清算所、电汇、银行卡、即时支付、加密货币和账户到账户支付
• 代理生成的证据路径，而不仅仅是叙述性总结

Unit21还强调，风险团队可以看到哪些变量促成了机器学习评分，并可以使用基于图的规则来揭示隐藏的关系。(unit21.ai)

基准评估

公开资料报告在一个面向客户的产品示例中，误报减少50%，欺诈损失减少70%，但该公司并未发布跨客户的标准化精准率、召回率或退单基准。(unit21.ai)

最佳选择： 需要一个平台进行实时评分、调查、图分析和补救工作流的成长中的金融科技公司或支付机构。

主要风险： 买家应核实调查代理是获准自动关闭警报，还是只推荐处理结果，或者按风险等级执行不同的行动。

2. Sardine：设备智能、欺诈图和数字商务的最佳选择

Sardine结合了设备智能、行为分析、机器学习、规则、网络智能、图分析和代理式欺诈操作。它在欺诈涉及交易前的客户旅程时特别强大，包括入职、登录、账户盗用、机器人、合成身份、支付欺诈和诈骗行为。

其图能力连接用户、设备、互联网地址、电话号码、电子邮件地址和交易。其代理包括交易监控、图分析、规则辅助、数据分析、开源情报研究、制裁筛查和可疑活动报告生成。(sardine.ai)

Sardine表现出色的方面

• 设备和行为智能
• 账户盗用和机器人检测
• 跨渠道身份和交易分析
• 商户和数字商务欺诈
• 基于图的欺诈团伙调查
• 从自然语言描述创建规则
• 自动化争议和退单工作流
• 提交和结算前的银行支付风险

Sardine报告了几个客户特定的结果，包括在一个入职决策用例中达到95%的精准率，在一个银行部署中银行卡相关退单损失减少70%，以及在同一案例中退单率达到0.0003%。它还报告说，在一个部署中，约55%的警报在约30秒内得到解决。(sardine.ai)

基准评估

Sardine的退单数据具有商业实用性，但退单率不等同于召回率。较低的退单率可能源于更好的检测、更多的客户身份验证、更严格的批准政策、不同的商户组合或责任转移。

最佳选择： 需要身份、设备、图和交易智能的数字银行、支付公司、市场、加密货币平台和商户。

主要风险： 要求进行逐个通道的基准测试。入职或银行卡欺诈的结果不应假定适用于自动清算所支付、授权推送支付诈骗或反洗钱监控。

3. Feedzai：大规模支付欺诈决策的最佳选择

Feedzai是一个成熟的企业欺诈平台，专注于高吞吐量、实时的支付决策。其RiskOps平台结合了身份、欺诈和反洗钱控制，而其网络产品则增加了集体智能，而无需机构共享原始个人身份信息。

Feedzai IQ声明原始数据保留在机构环境中，同时匿名风险信号和聚合模式在网络中交换。Feedzai报告其网络智能产品的用户检测到的欺诈增加四倍，警报比基于规则的方法减少50%，支付接受率提高27%。(feedzai.com)

Feedzai表现出色的方面

• 大型银行、支付处理器和银行卡网络
• 实时全渠道支付评分
• 规则和机器学习协同使用
• 网络智能和图可视化
• 可解释的原因代码
• 自然语言规则创建
• 案例调查和分析师工作流
• 注重隐私的联盟情报
• 大规模模型部署

Feedzai报告，一家大型北美银行在0.1%的干预率下，平均价值检测率达到75%，同时误报检测率达到12比1。它还在其他企业案例中报告误报减少73%，检测到的欺诈比以前的解决方案增加62%。(feedzai.com)

Feedzai的Genome调查功能利用客户、银行卡、交易和其他实体之间的视觉关系。一项客户案例研究报告称，以前需要半天才能完成的调查，现在可以在大约十分钟内完成，特定警报的欺诈检测率提高了15%。(feedzai.com)

漂移监控

Feedzai还发表了关于流式欺诈数据自动模型监控的研究。其监控方法旨在在标签可用之前识别变化，并解释漂移的可能原因。该研究评估了五个实际欺诈数据集，总计超过2200万笔在线交易。(research.feedzai.com)

最佳选择： 需要成熟实时决策、广泛支付覆盖和复杂模型运营的大型银行、处理器和支付网络。

主要风险： Feedzai产品组合广泛。买家应测试所购买的欺诈评分、调查自动化、网络智能和反洗钱功能的精确组合。

4. ComplyAdvantage Mesh：自动化交易监控补救的最佳选择

ComplyAdvantage Mesh在反洗钱、交易监控、客户筛查、制裁筛查和风险情报方面表现最为出色。其最近的平台战略将代理式工作流置于统一的案例管理系统内。

该平台声明，其决策链通过风险评分、人工智能代理和分析师的组合，可以解决65%到85%的误报警报。它还报告每秒处理超过100笔交易，响应时间在亚秒级，整个平台每天处理超过35亿条消息。(complyadvantage.com)

ComplyAdvantage表现出色的方面

• 规则和高级机器学习协同工作
• 交易监控和支付筛查
• 自然语言规则创建
• 图和聚类模式
• 自动化警报补救
• 案例管理和审计追踪
• 可疑活动报告准备
• 基于制裁、政治公众人物、负面媒体和行为信号的风险情报
• 区域数据隔离和企业安全控制

ComplyAdvantage报告称，PayNearMe将分析师用于交易监控的时间减少了约50%。Paytron报告误报减少了20%，交易后查询减少了75%。(complyadvantage.com)

其公开平台资料声称误报减少高达82%，但这些数字应视为供应商报告的结果，而非独立基准。(complyadvantage.com)

隐私和治理

ComplyAdvantage声明，Mesh支持静态和传输中的加密、地理数据隔离、基于角色的权限、单点登录、国际标准化组织27001、服务组织控制2以及符合通用数据保护条例的数据处理。这些都是有用的控制措施，但买家仍需审查合同、分包商、保留期和模型训练条款。(complyadvantage.com)

最佳选择： 主要瓶颈在于反洗钱警报量和补救，而非银行卡授权延迟的支付公司和金融机构。

主要风险： 验证欺诈专用召回率与反洗钱警报解决性能的独立性。

5. NICE Actimize：大型银行调查和监管报告的最佳选择

NICE Actimize是一个企业金融犯罪平台，涵盖欺诈预防、反洗钱、制裁、可疑活动报告、案例管理和调查工作流。

其平台报告称，每天监控超过50亿笔交易，并使用毫秒级欺诈检测。它还提供网络分析、基于类型学的风险评分、集成调查以及用于案例摘要和可疑活动报告叙述的生成式人工智能。(info.niceactimize.com)

NICE Actimize表现出色的方面

• 大型复杂金融机构
• 多渠道欺诈和金融犯罪计划
• 案例管理和调查协调
• 可疑活动报告准备
• 网络可视化
• 治理和监管报告
• 人工参与的调查工作流
• 遗留系统集成

NICE报告称，其调查能力可将调查时间减少高达50%，可疑活动报告准备时间加快70%。其Xceed FraudDesk CoPilot报告警报分类和审查速度提高80%，从案例到报告的处理时间缩短60%，误报减少40%。(resources.niceactimize.com)

基准评估

NICE发布了强大的运营和规模声明，但公开的交易级别精准率和召回率数据较少。买家应要求提供：

• 按欺诈类型划分的精准率和召回率
• 机器学习叠加前后的结果
• 价值加权召回率
• 误拒率
• 按案例复杂性划分的调查时间
• 自动处理精准率
• 峰值负载下的性能

最佳选择： 需要广泛金融犯罪覆盖、完善治理和深入监管报告能力的大型银行。

主要风险： 实施复杂性以及最先进功能可能需要多个模块和大量集成工作的可能性。

6. Hawk：可解释、低延迟欺诈和金融犯罪监控的最佳选择

Hawk专注于可解释人工智能、实时交易监控、欺诈预防、反洗钱、制裁筛查以及欺诈与金融犯罪运营的融合。

其交易欺诈平台报告平均决策时间为150毫秒，并支持自动清算所、银行卡、支票、点对点、电汇和其他支付通道。Hawk还推广一种混合方法，其中传统规则生成异常，机器学习评估警报是真阳性还是假阳性的可能性。(hawk.ai)

Hawk表现出色的方面

• 可解释机器学习
• 实时支付拦截
• 规则和机器学习在一个工作流中
• 欺诈与反洗钱融合
• 自助规则管理
• 模型治理
• 部署为软件即服务、私有云或本地技术
• 调查自动化

Hawk报告称，在其已发布的 impact 资料中，精准率提高三到五倍，误报减少70%，识别出的欺诈客户增加30%，反洗钱调查时间减少62%。(hawk.ai)

其2026年调查代理将Hawk的范围从检测和警报优先级扩展到证据收集和调查支持。(hawk.ai)

基准评估

Hawk的可解释性和低延迟定位引人注目，但没有原始精准率、人口、测试周期和干预率，很难评估精准率乘数。买家应要求提供完整的精准率-召回率曲线，而不仅仅是声称的改进百分比。

最佳选择： 优先考虑可解释性、快速部署、实时拦截和灵活部署的银行、支付公司和金融机构。

主要风险： 确认调查代理是否具有足够的欺诈特定能力，或者主要针对反洗钱调查进行了优化。

7. Featurespace：自适应行为欺诈检测的最佳选择

Featurespace通过自适应行为分析及其自动深度行为网络实现了差异化。该平台不主要依赖已知的不良指标，而是建模正常行为并识别有意义的偏差。

当欺诈者模仿合法活动或机构确认欺诈标签有限时，这种方法非常有用。Featurespace表示，其模型能适应不断变化的行为，需要较少的人工再训练，同时分析师的决策会反馈到未来的监控中。(staging.www.featurespace.com)

Featurespace表现出色的方面

• 银行卡欺诈
• 账户到账户支付
• 授权推送支付诈骗
• 申请欺诈
• 合成身份
• 自适应客户画像
• 减少模型退化
• 大规模实时交易评分

公开的客户证据在欺诈捕获方面最为强劲。Central 1报告欺诈捕获量为79%，比其行业基准提升51%，并在保持2比1误报率的同时捕获了67%的欺诈价值。(featurespace.com)

NatWest在随后的案例研究总结中报告，诈骗检测价值提高了135%，误报减少了75%。早期的资料报告在部署24小时内，检测到的欺诈和诈骗价值增加了50%。(featurespace.com)

Featurespace还报告称，TSYS每月处理10亿笔交易，并且在2025年的一项案例研究中，77.8%被质疑的交易是欺诈性的。(featurespace.com)

基准评估

Featurespace在欺诈价值捕获和自适应行为建模方面有强劲的公开证据，但在自主调查代理和补救建议方面公开证据较少。

最佳选择： 发卡机构、银行、处理商和支付提供商，其主要关注点是不断变化的客户行为和模型退化。

主要风险： 确保平台的案例管理和调查能力与其交易评分达到相同的标准。

8. Quantexa：基于图的实体解析和上下文调查的最佳选择

当欺诈或金融犯罪信号分布在关系中而非单一交易中可见时，Quantexa表现最强。

其平台通过实体解析和图生成，创建客户和交易对手的连接视图。上下文监控在关系、所有权结构、历史活动和外部信息的同时评估交易。Q Assist支持调查和报告生成工作流。(quantexa.com)

Quantexa表现出色的方面

• 实体解析
• 交易对手和实益所有权分析
• 洗钱网络和洗钱活动
• 复杂调查
• 上下文反洗钱监控
• 基于图的风险优先级排序
• 监管报告
• 跨分散系统的数据统一

Quantexa报告误报减少高达75%，调查工作量减少50%或更多，以及Quantexa识别出的风险中高达40%被传统系统遗漏。另一个公开的 impact 页面报告大规模调查时间减少高达80%。(quantexa.com)

基准评估

Quantexa通常不是亚100毫秒银行卡授权决策的首选。其价值通常在上下文风险分析、网络发现和调查加速方面更大。

基于图的方法可以非常有效，但买家必须测试：

• 实体解析精准率
• 无关客户之间的错误链接
• 图刷新频率
• 多跳搜索延迟
• 图特征的可解释性
• 关系数据不完整时的性能

最佳选择： 其最棘手案例涉及隐藏关系、交易对手、洗钱网络或碎片化数据的大型银行和受监管机构。

主要风险： 在基于图的推理产生可靠结果之前，集成和数据基础工作可能非常繁重。

9. Nasdaq Verafin：联盟驱动型社区银行欺诈操作的最佳选择

Nasdaq Verafin为银行和信用社提供欺诈检测、反洗钱、制裁筛查、高风险客户管理、信息共享和调查工具。Nasdaq报告称，Verafin为超过2,750家北美金融机构提供服务，并利用来自数千家机构的数据构建联盟信息。(ir.nasdaq.com)

2025年和2026年，Nasdaq推出了其代理式人工智能工作队伍，包括数字制裁分析师、增强尽职调查分析师、代理式反洗钱分析师和代理式欺诈分析师。宣布的欺诈分析师最初专注于异常的自动清算所活动。该平台支持推荐模式、质量保证、可配置的人工审查以及计划中的误报警报自动处理。(nasdaq.com)

Verafin表现出色的方面

• 社区和区域金融机构
• 联盟情报
• 自动清算所、支票、电汇和存款欺诈
• 金融犯罪检测和报告
• 实体研究
• 金融机构之间的信息共享
• 人工控制的代理式工作流

基准评估

Verafin的联盟模型具有战略重要性，因为犯罪分子可能将活动分布在许多机构中。然而，公开资料并未为新的代理式工作者提供标准化的精准率、召回率、退单或分析师时间基准。

一些功能已宣布在2026年下半年分阶段推出。买家应确认在合同日期哪些工作者、类型学、自动处理控制和部署选项是普遍可用的。(nasdaq.com)

最佳选择： 寻求具有联盟情报和逐步扩展代理式自动化的北美银行和信用社。

主要风险： 最新的代理式功能不如底层的Verafin欺诈和反洗钱平台成熟。

10. FICO Platform：治理企业决策的最佳选择

FICO最好被视为一个具有深厚欺诈能力的企业决策和模型治理平台，而非单一的自主调查代理。

FICO的欺诈产品组合包括实时交易评分、欺诈联盟模型、自适应行为分析、策略管理、模型开发、优化和可解释性。FICO还强调了识别有助于决策的相关过去交易的时间性解释。(investors.fico.com)

其2026年的投资者资料将FICO Platform描述为“天生具有代理性”，拥有可解释和可审计的人工智能、在数十亿交易上训练的欺诈联盟模型，以及构建、测试、优化和监控决策的工具。(investors.fico.com)

FICO表现出色的方面

• 拥有内部数据科学团队的大型金融机构
• 受控的决策策略开发
• 模型治理和生命周期管理
• 实时欺诈评分
• 欺诈联盟情报
• 企业级决策协调
• 可解释模型部署
• 与现有决策系统集成

FICO报告称，其专业的金融服务模型在某些交易分析模型（包括欺诈检测）中可实现超过35%的提升。Velera报告部署FICO平台功能后，欺诈警报时间减少85%，持卡人自助服务效率提高76%。(investors.fico.com)

最佳选择： 希望对数据、模型、策略、测试和治理进行广泛控制的大型机构。

主要风险： 组织可能需要大量的内部专业知识才能充分发挥平台的价值。

基于图的推理与规则和机器学习的比较

仅基于规则的系统

优势：

• 高度可解释
• 快速且确定性
• 易于映射到政策
• 对已知类型学有用
• 易于测试和重放

劣势：

• 产生大量误报
• 容易被细微的行为变化绕过
• 需要持续的规则维护
• 往往无法识别新的欺诈模式
• 难以处理跨账户关系

规则应仍然是架构的一部分，因为它们提供护栏和清晰的控制。它们不应是整个检测策略。

规则和机器学习混合系统

混合系统通常提供最佳的运营折衷。规则处理硬约束和已知风险，而机器学习处理：

• 行为偏差
• 客户特定模式
• 同类群组异常
• 风险排序
• 误报减少
• 动态优先级排序
• 新兴行为

Featurespace、Hawk、Feedzai、Unit21、ComplyAdvantage、FICO以及其他几个平台都使用了这种混合模式的变体。Hawk明确描述了一个两阶段过程，其中规则生成异常，机器学习评估这些异常是真阳性还是假阳性。(insights.hawk.ai)

基于图的推理

当证据分布在实体和时间上时，图方法表现最强。它们可以识别：

• 跨账户共享的设备
• 重复使用的电话号码
• 共同的受益人
• 扇入和扇出资金流动
• 快速传递行为
• 协调一致的商户活动
• 合成身份集群
• 洗钱网络
• 串通

图模型可以提高组织性欺诈的召回率，同时减少调查孤立警报的需要。然而，图系统引入了额外的要求：

• 高质量实体解析
• 频繁的图更新
• 关系隐私控制
• 多跳延迟管理
• 防止错误链接
• 清晰解释产生风险信号的路径

2024年一项基于图的信用卡欺诈研究报告的精准率为0.82，召回率为0.92，但这些数字来自特定的研究数据集和实验设置。它们不应直接与供应商案例研究或生产退单率进行比较。(sciencedirect.com)

代理式调查

代理在信号生成后最有价值。它们可以减少证据收集和叙述准备所需的时间，但不应被视为校准欺诈模型的替代品。

推荐的架构是：

1. 同步规则和机器学习用于交易决策
2. 快速图特征用于即时关系风险
3. 异步图探索用于深入调查
4. 调查代理用于证据收集和案例准备
5. 政策控制的补救措施
6. 对不可逆或高价值行动进行人工批准

监管机构审查的可解释性

“可解释人工智能”可以意味着几种不同的事物。买家应区分：

1. 原因代码 例如，异常金额、新设备、高频率或高风险交易对手。

2. 特征归因 系统显示哪些变量对评分贡献最大。

3. 证据关联推理 系统将决策与实际交易、设备、账户和外部记录联系起来。

4. 政策推理 系统解释应用了哪些规则、政策、阈值或风险承受能力设置。

5. 代理推理和工具历史 审计追踪记录了代理咨询了哪些来源，检索了什么，得出了什么结论，以及推荐了什么行动。

对于监管机构来说，仅有自然语言摘要是不够的。审计包应包括：

• 决策时使用的交易和客户数据
• 模型版本
• 规则和策略版本
• 特征值
• 分数和阈值
• 原因代码
• 使用的图关系
• 外部数据源
• 代理提示或任务指令
• 检索到的证据
• 工具调用
• 人工干预
• 最终行动
• 时间戳
• 数据血缘
• 原始决策后所做的更改
• 可重现的重放程序

联邦储备银行修订后的2026年模型风险指南强调结果分析、持续监控、文档编制和供应商产品的验证。它还指出，机构仍有责任理解供应商模型、其局限性、开发数据和性能。该指南将其正式范围排除生成式和代理式模型，但表示组织仍应为未涵盖的工具建立适当的治理和控制措施。(federalreserve.gov)

支付卡行业安全标准委员会也类似地建议记录和监控人工智能行动，确定负责人，并尽可能保留足够的信息以审计提示和推理过程。(blog.pcisecuritystandards.org)

一个有用的原则是：

一个看似合理的解释并不能证明决策是正确的。

2026年发表的研究认为，调查代理推理的质量必须与底层欺诈决策的质量分开评估。(arxiv.org)

衡量欺诈捕获提升与退单

欺诈捕获提升和退单减少相关但不同。

欺诈捕获提升

一个有用的衡量指标是：

欺诈捕获提升 = 部署后捕获的欺诈减去部署前捕获的欺诈，再除以部署前捕获的欺诈

这应分别计算以下各项：

• 交易数量
• 欺诈价值
• 确认的未经授权欺诈
• 授权推送支付诈骗
• 账户盗用
• 无卡交易欺诈
• 第一方欺诈
• 合成身份
• 商户欺诈
• 洗钱活动

退单率

退单率应计算为：

退单数量除以已结算交易数量

还应衡量：

• 退单价值
• 退单基点
• 再呈递成功率
• 客户争议率
• 欺诈相关退单与服务相关争议
• 从交易到退单的时间
• 退单恢复成本
• 客户投诉
• 误拒
• 批准率

一个平台可以通过拒绝更多交易来减少退单，但这可能会损害收入。反之，一个平台可以通过更好的目标定位来提高批准率，同时降低欺诈价值。

因此，正确的业务指标不是“最低退单率”。它是：

在可接受的误拒率、批准率、客户摩擦和运营成本下，最大化预防和追回的欺诈价值。

峰值负载下的延迟

供应商的延迟声明不能直接比较。一个声明可能指：

• 平均延迟
• 中位数延迟
• 第95百分位延迟
• 第99百分位延迟
• 仅模型延迟
• 端到端延迟
• 热缓存性能
• 单一支付通道
• 测试环境而非生产环境

公开示例包括Unit21声称的亚250毫秒决策、Hawk的平均交易欺诈决策150毫秒、ComplyAdvantage的亚秒级和每秒超过100笔交易的声明，以及NICE Actimize的毫秒级营销语言。(unit21.ai)

一项严肃的性能测试应测量：

• 中位数延迟
• 第95百分位延迟
• 第99百分位延迟
• 最大持续吞吐量
• 峰值突发吞吐量
• 冷启动延迟
• 依赖超时行为
• 队列增长
• 开放故障和关闭故障行为
• 按支付通道划分的延迟
• 带有图增强的延迟
• 带有联盟查询的延迟
• 模型更新期间的延迟
• 区域故障转移性能

调查代理通常应位于关键支付路径之外。支付不应等待开源情报搜索、大型图遍历或生成式叙述。交易决策应迅速完成，而更深入的调查则异步进行。

数据隐私与安全

欺诈系统处理高度敏感的信息，包括金融交易、账户关系、设备数据、身份记录和行为模式。

在美国，《格雷姆-里奇-布莱利法案》要求受涵盖的金融机构解释信息共享做法并保护敏感客户信息。联邦贸易委员会的《保障规则》也对受涵盖的机构施加义务，并要求关注处理客户数据的服务提供商。(ftc.gov)

《通用数据保护条例》对仅基于自动化处理的决策施加了额外限制，当这些决策具有法律或类似重要影响时。它还要求提供适当的保障措施，包括在相关情况下进行人工干预的权利。(eur-lex.europa.eu)

支付卡行业数据安全标准适用于存储、处理或传输持卡人数据的实体。支付卡行业安全标准委员会建议对支付环境中使用的AI系统进行标记化、分段、加密、访问控制、日志记录和负责任的人工监督。(pcisecuritystandards.org)

每个供应商都应回答的隐私问题

1. 客户数据是否用于训练共享模型？
2. 客户能否选择退出模型训练？
3. 个人身份信息是否被删除或标记化？
4. 支付卡号是否被令牌替换？
5. 数据存储和处理在哪里进行？
6. 数据能否保留在选定的地理区域内？
7. 联盟信号是否匿名化？
8. 原始客户记录是否与其他机构共享？
9. 保留期是多久？
10. 合同终止时能否删除数据？
11. 哪些分包商接收数据？
12. 大型语言模型提示是否保留？
13. 调查代理能否访问外部网站？
14. 代理工具是否受角色和政策限制？
15. 案例记录在静态和传输中是否加密？
16. 机构能否审计每一次数据访问？
17. 是否提供私有云或本地部署选项？

Feedzai描述了一种联邦学习方法，其中原始客户数据保留在本地，同时匿名信号进行交换。ComplyAdvantage描述了地理隔离和企业安全控制。Hawk宣传软件即服务、私有云和本地部署选项。Unit21的买家指南强调数据隔离、加密、区域托管、模型训练限制、反馈控制和质量保证。(feedzai.com)

这些都是有用的设计选择，但没有一项能自动证明合法合规。机构仍对其数据处理协议、隐私声明、风险评估和第三方监督负责。

模型漂移监控

欺诈是敌对的。一旦控制措施变得有效，犯罪分子就会改变设备、金额、商户、受益人、支付时间、身份信息或交易路径。

模型监控程序应跟踪：

数据漂移

• 交易金额的变化
• 新的商户类别
• 新的国家或地区
• 设备和浏览器变化
• 缺失或延迟的字段
• 新的支付通道
• 客户构成变化
• 交易对手构成变化

预测漂移

• 评分分布
• 警报数量
• 拒绝数量
• 审查数量
• 自动处理率
• 阈值稳定性
• 校准

结果漂移

• 标签成熟后的精准率
• 召回率
• 欺诈价值捕获
• 退单率
• 误拒
• 客户投诉
• 争议结果
• 分析师覆盖
• 可疑活动报告转换

运营漂移

• 调查时间
• 队列时长
• 每个案例的分析师触点
• 证据检索失败
• 代理工具错误
• 幻觉或无根据的主张
• 规则变更
• 模型版本变更
• 数据源中断

联邦储备银行2026年指南建议进行持续监控和结果分析，以确定模型在产品、客户、风险敞口和市场条件变化时是否仍然准确、符合目的和可靠。(federalreserve.gov)

Featurespace强调旨在减少人工再训练的自适应行为模型。Feedzai发布了在标签可用之前检测流式漂移的研究。Unit21提供影子、验证和沙盒模式用于测试新的欺诈逻辑。ComplyAdvantage提供规则性能指标，例如命中率和误报趋势。Hawk推广模型生命周期管理和自动模型治理。(staging.www.featurespace.com)

一个特别重要的控制措施是延迟标签监控。退单和已确认的欺诈标签可能在原始决策后数周或数月才到达。组织不应等待最终欺诈标签，而应监控输入分布、警报模式或客户行为的突然变化。

推荐买家记分卡

一个实际的评估可以按以下方式分配权重：

要求每个供应商运行相同的评估：

1. 提供包含已确认结果的历史交易样本。
2. 使用按时间顺序而非随机的测试划分。
3. 运行无声生产回放。
4. 与当前规则和模型进行比较。
5. 在实际审查率下测量精准率。
6. 在实际拒绝率下测量召回率。
7. 报告捕获的欺诈价值。
8. 报告退单和误拒影响。
9. 测量中位数、第95百分位和第99百分位延迟。
10. 测量每个警报和每个案例的分析师分钟数。
11. 测试峰值流量和依赖项故障。
12. 与欺诈分析师和合规官员一起审查解释。
13. 测试跨国家、产品、商户和支付通道的模型漂移。
14. 审计代理建议与源证据的匹配度。
15. 在试点期间将高价值行动保持在人工审查模式。

市场空白和更优的解决方案构建

最大的市场空白不是另一个欺诈评分。它是一个标准化的、证据原生的欺诈运营平台，可以使供应商的声明可衡量，并使监管审查可重现。

更强大的解决方案应包括以下内容。

1. 双速架构

• 亚100毫秒同步交易决策
• 异步图扩展和调查
• 用于研究和补救的独立代理环境
• 支付授权路径中不依赖大型语言模型

2. 通用评估工具

平台应自动计算：

• 精准率
• 召回率
• 固定审查率下的精准率
• 固定拒绝率下的召回率
• 欺诈价值捕获
• 退单率
• 误拒率
• 批准率
• 分析师节省的时间
• 案例解决时间
• 第95和第99百分位延迟
• 按细分和类型划分的漂移

这将允许机构使用相同的定义比较供应商。

3. 监管机构重放包

对于每一个重大决策，系统应保留：

• 输入数据
• 模型版本
• 规则版本
• 图版本
• 分数
• 阈值
• 原因代码
• 证据
• 代理行动
• 人工覆盖
• 最终决策
• 可重现的重放指令

4. 保护隐私的网络智能

未来的联盟应支持：

• 联邦学习
• 安全多方计算
• 令牌化标识符
• 适用的差分隐私
• 区域处理
• 机构控制的数据保留
• 透明的联盟治理

5. 安全的补救协调

代理应根据可配置的风险等级推荐和执行行动：

• 低风险误报可以自动关闭
• 中风险案例可能需要分析师批准
• 高价值支付可能需要双重批准
• 账户关闭可能需要人工决策
• 规则变更应要求测试和版本控制
• 监管备案应要求负责任的人工签字

6. 证据质量评分

系统不仅应评分欺诈决策，还应评分支持该决策的证据质量：

• 所有声明是否都与源记录关联？
• 代理是否使用了过时信息？
• 是否遗漏了矛盾证据？
• 是否将相关实体与主题混淆？
• 是否推荐了超出政策范围的行动？
• 其他调查员能否重现结论？

这将有助于防止华丽但无根据的调查叙述。

结论

最佳的欺诈检测和交易监控代理不仅仅是连接到警报队列的聊天机器人。它们是分层风险系统，结合了实时规则、机器学习、行为分析、图智能、调查自动化、可解释性和受控补救措施。

对于大多数机构，最强大的目标架构是：

1. 用于清晰策略控制的规则
2. 用于行为风险评分的机器学习
3. 用于关联欺诈和金融犯罪的图分析
4. 用于证据收集的调查代理
5. 用于重大行动的人工批准
6. 持续监控漂移、延迟、隐私和结果质量

Unit21和Sardine在代理式欺诈操作和数字金融服务方面特别引人注目。Feedzai和Featurespace在大型支付欺诈检测方面有强劲证据。ComplyAdvantage和NICE Actimize是交易监控、调查和监管报告的强大选择。Hawk以其可解释的实时决策脱颖而出。Quantexa在基于图的上下文调查方面尤为强大。Nasdaq Verafin在联盟驱动的北美金融犯罪操作方面定位良好，而FICO则是希望深入控制决策和模型治理的机构的强大选择。

决定性的购买标准不应该是最令人印象深刻的人工智能演示。而应该是该平台能否在机构自身的数据和生产规模下证明：

• 更高的欺诈召回率
• 更好的精准率
• 捕获更多的欺诈价值
• 在不过度拒绝的情况下降低退单率
• 减少分析师时间
• 可靠的峰值负载延迟
• 可辩护的解释
• 强大的隐私控制
• 可衡量的模型漂移抵抗力