AI and market efficiency: Enhancing predictive accuracy in financial markets

Abstract

This thesis explores the role of Artificial Intelligence (AI) in enhancing predictive accuracy and improving efficiency in financial markets. Using a qualitative descriptive approach, the study examines how AI technologies such as machine learning, natural language processing (NLP), and algorithmic modeling are transforming financial forecasting, risk management, and market behavior. Grounded in three theoretical frameworks: The Efficient Market Hypothesis (EMH), Behavioral Finance Theory (BFT), and the Adaptive Markets Hypothesis (AMH) this research analyzes how AI strengthens or challenges classical ideas of market efficiency and rationality. Drawing on case studies from leading financial institutions including HSBC, JPMorgan, Upstart, and Minotaur Capital, the study highlights how AI is applied in credit scoring, algorithmic trading, fraud detection, and compliance. Key findings reveal that AI enhances market responsiveness by accelerating information absorption, supports adaptive learning consistent with AMH, and quantifies behavioral biases that align with BFT. However, the study also identifies critical risks such as algorithmic bias, model opacity, and data privacy concerns that require strong governance, transparency, and ethical oversight. The research concludes that AI has the potential to significantly improve forecasting accuracy and financial decision making, but sustainable progress depends on responsible implementation guided by clear regulatory frameworks and human accountability. This study contributes to the growing body of knowledge on AI in finance, offering theoretical and practical insights for policymakers, financial institutions, and researchers seeking to balance innovation with market integrity.Bu tez, yapay zekânın (YZ) finansal piyasalarda tahmin doğruluğunu artırmadaki ve piyasa etkinliğini geliştirmedeki rolünü incelemektedir. Nitel betimleyici bir araştırma yaklaşımı benimsenerek, çalışma makine öğrenimi, doğal dil işleme (NLP) ve algoritmik modelleme gibi YZ teknolojilerinin finansal tahmin, risk yönetimi ve piyasa davranışlarını nasıl dönüştürdüğünü araştırmaktadır. Araştırma, Etkin Piyasalar Hipotezi (EPH), Davranışsal Finans Teorisi (DFT) ve Uyarlamalı Piyasalar Hipotezi (UPH) çerçevelerine dayanarak YZ'nin klasik piyasa etkinliği ve rasyonellik anlayışlarını nasıl güçlendirdiğini veya zorladığını değerlendirmektedir. HSBC, JPMorgan, Upstart ve Minotaur Capital gibi önde gelen finansal kuruluşların örnek olay incelemeleri üzerinden YZ'nin kredi puanlama, algoritmik ticaret, dolandırıcılık tespiti ve uyum süreçlerindeki uygulamaları analiz edilmiştir. Bulgular, YZ'nin bilgi akışını hızlandırarak piyasa duyarlılığını artırdığını, UPH ile uyumlu olarak adaptif öğrenmeyi desteklediğini ve DFT kapsamında değerlendirilen davranışsal önyargıları ölçülebilir hale getirdiğini göstermektedir. Ancak çalışma, algoritmik önyargı, model şeffaflığı ve veri gizliliği gibi risklerin güçlü bir yönetişim, şeffaflık ve etik denetim çerçevesi gerektirdiğini de vurgulamaktadır. Araştırma, YZ'nin finansal piyasalarda tahmin doğruluğunu ve karar alma süreçlerini önemli ölçüde iyileştirme potansiyeline sahip olduğunu, ancak sürdürülebilir ilerlemenin açık düzenleyici çerçeveler ve insan sorumluluğu ile desteklenen bilinçli uygulamalara bağlı olduğunu ortaya koymaktadır. Bu çalışma, finans alanında YZ üzerine artan literatüre katkı sağlayarak yenilik ve piyasa bütünlüğü arasındaki dengeyi gözetmek isteyen politika yapıcılar, finansal kurumlar ve araştırmacılar için teorik ve pratik içgörüler sunmaktadır.