本文研究在用户向大型语言模型（LLM）询问投资建议时，若未完整披露个人财务信息，模型会如何利用身份信息进行推断。实验使用 100 组财务画像、138 种人格设定和七种披露条件，生成 96,600 条提示，全部交给 Llama-3.1-8B‑Instruct。我们固定财务数据，仅改变投资者的身份标签，将提示中的财务证据从八条完整信息逐步削减至无信息，记录推荐的股票配置比例变化。
结果显示，完全披露时两个人格之间的平均配置差为 4.78 个百分点，信息全失时上升至 10.34 个百分点。采用双向聚类自助法（对重复提示计一次）得到差值比为 2.16（95% 区间 1.69–2.79），即使只剩一条财务事实，差值已增至 1.69 倍。身份特征在全披露时仅解释 5% 的内部变异，而在无披露时解释高达 96%。在所有属性中，只有家庭规模的影响随证据缺失而稳步上升。
进一步的稳健性检验表明，当对人格聚类标准误进行校正后，原会议稿中报告的大多数属性交互失去显著性，性别反而表现为一个小但持久的差距，且在全披露时并未消除。仅提供风险偏好信息即可产生与提供两至七条通用财务事实相当的波动幅度。缺乏任何财务事实时，模型的单行解释会引用从未提供的收入、债务和储蓄数据，这些“虚构”财务在大户型家庭中更易导致不利建议。
网络内部分析发现，性别信息在每一层都可以线性解码，但在五层上消除性别方向并未改变整体的身份驱动波动。基于此类模型的投资顾问系统应在用户实际能够披露的层级进行审计，并在整个身份空间上评估其表现，而非仅针对单一属性。
点评：本文揭示了 LLM 在缺失财务信息时对身份特征的高度依赖，提示监管者和开发者在设计金融咨询产品时必须考虑用户披露行为的多样性，并对模型的身份偏差进行系统化审计。