3 浏览硕士论文提纲框架：机器人投顾对个人投资者风险偏好的影响机制研究
第一章 绪论
1.1 研究背景
1.1.1 互联网金融与智能投顾的发展历程
1.1.2 个人投资者风险偏好的理论意义与实务挑战
1.1.3 智能投顾（Robo-Advisor）在资产配置中的角色变迁
1.2 研究意义
1.2.1 理论意义：丰富行为金融与FinTech交叉研究
1.2.2 实践意义：为平台优化算法与用户教育提供依据
1.2.3 监管意义：为投资者保护和合规监管提供参考
1.3 研究目标与问题
1.3.1 总体研究目标
1.3.2 核心研究问题
1.3.3 拟解决的关键难题
1.4 研究思路与技术路线
1.4.1 研究思路
1.4.2 技术路线图
1.5 论文结构安排
1.5.1 各章内容概述
第二章 文献综述
2.1 风险偏好测量与影响因素研究
2.2 智能投顾技术原理与用户接受模型
2.3 FinTech对行为金融影响的典型实证
2.4 文献评述与研究空白
第三章 理论基础与研究假设
3.1 行为金融学视角下的风险偏好机理
3.2 技术接受模型（TAM）与信任理论
3.3 智能投顾对风险偏好的作用路径
3.3.1 信息透明度提升路径
3.3.2 决策便捷性减少认知成本路径
3.3.3 算法信任感增强路径
3.4 研究假设
3.4.1 H1：智能投顾使用强度正向影响投资者风险偏好
3.4.2 H2：信息透明度在使用强度与风险偏好间起中介作用
3.4.3 H3：算法信任度对信息透明度—风险偏好路径有调节效应
3.4.4 H4：投资者金融素养对上述机制具调节作用
3.5 概念模型
第四章 研究设计
4.1 样本选取与数据来源
4.1.1 样本范围（某大型券商/互联网平台用户）
4.1.2 数据收集方法（平台后台数据＋问卷调查）
4.1.3 时间区间与样本量
4.2 变量定义与度量（详细变量）
4.2.1 因变量：投资者风险偏好（RP）
(1) 实验测得风险系数（CRRA系数）
(2) 问卷式风险偏好评分（Likert 7级量表）
(3) 实际配置风险资产比重（高风险资产占投资组合比）
4.2.2 核心自变量：智能投顾使用强度（UA）
(1) 月均使用天数（Days_Per_Month）
(2) 总交互次数（Interact_Count）
(3) 资产配置推荐采纳率（Adopt_Rate，%）
4.2.3 中介变量：信息透明度（IT）
(1) 平台信息完整度评分（Survey_Score）
(2) 投资策略可视化指数（Visualization_Index）
4.2.4 调节变量
(1) 算法信任度（Trust_Algo，问卷评分）
(2) 金融素养水平（FinLit，标准化测试得分）
4.2.5 控制变量
(1) 投资经验（Years_Invest）
(2) 教育水平（Education，分类变量）
(3) 年龄（Age）
(4) 收入水平（Income）
(5) 风险承受能力（Self_Assessed_Risk）
4.3 模型构建
4.3.1 基准回归模型
RP_i = α + β1 UA_i + γ Controls_i + μ + ε_i
4.3.2 中介效应模型
IT_i = α1 + β2 UA_i + γ1 Controls_i + ε1
RP_i = α2 + β3 IT_i + β4 UA_i + γ2 Controls_i + ε2
4.3.3 调节效应模型
RP_i = α + β5 UA_i + β6 TrustAlgo_i + β7 (UA×TrustAlgo)_i + …
4.4 研究方法
4.4.1 结构方程模型（SEM）
4.4.2 Bootstrap中介效应检验
4.4.3 分组回归与异质性分析
4.4.4 稳健性检验（替代性变量、样本划分）
第五章 实证结果与分析
5.1 描述性统计与相关性分析
5.2 多重共线性与模型诊断
5.3 基准模型回归结果与H1检验
5.4 中介效应检验结果与H2验证
5.5 调节效应检验结果（H3、H4）
5.6 稳健性与异质性检验
5.7 结果讨论：机制解析与理论契合
第六章 结论与建议
6.1 主要研究结论
6.2 理论贡献
6.3 实践启示
6.3.1 对智能投顾平台：提升信息透明与信任建设
6.3.2 对监管机构：完善行为透明度与算法合规要求
6.3.3 对投资者教育：强化金融素养与风险认知
6.4 研究局限与未来展望
参考文献
附录
A. 变量与问卷条目对照表
B. SEM模型图示
C. 稳健性检验附表
