Η παρούσα εργασία υποβλήθηκε ως απαιτούμενο για την απόκτηση του Μεταπτυχιακού Διπλώματος στην Τραπεζική Χρηματοοικονομική και Χρηματοοικονομική Τεχνολογία της σχολής Κοινωνικών Επιστημών του Ελληνικού Ανοικτού Πανεπιστημίου. Παρουσιάζει την Τεχνητή Νοημοσύνη(ΤΝ), τις βασικότερες τεχνολογίες της στον επιχειρηματικό χώρο με παραδείγματα υλοποίησης από την πρωτοπόρο εταιρεία Palantir Technologies και εστιάζει στις επιδράσεις των ανακοινώσεων χρήσης ΤΝ στις τιμές των υπό διαπραγμάτευση μετοχών, εφαρμόζοντας την μεθοδολογία Μελέτης Γεγονότος. Με την συλλογή δεδομένων τιμών κλεισίματος εταιρειών, εισηγμένων σε κεντρικά χρηματιστήρια των ΗΠΑ, αξιοποιούμε το μοντέλο της αγοράς για τον υπολογισμό των κανονικών αποδόσεων και προσδιορίζουμε τις μη κανονικές και αθροιστικές μη κανονικές αποδόσεις. Στη συνέχεια αναζητούμε στατιστικά σημαντικές τιμές για τις μη κανονικές και αθροιστικές μη κανονικές αποδόσεις και παρουσιάζουμε τα αποτελέσματα. Οι μη κανονικές αποδόσεις και οι αθροιστικές μη κανονικές αποδόσεις που περιβάλλουν την ημερομηνία γεγονότος είναι κατά κανόνα θετικές, ωστόσο παρουσιάζουν μικρό βαθμό στατιστικής σημαντικότητας. Ακόμη παρατηρείται στατιστικά σημαντική μέση μη κανονική απόδοση την ημέρα μετά την ανακοίνωση, γεγονός που υποδηλώνει θετική αντίδραση του δείγματος στις ανακοινώσεις υιοθέτησης ΤΝ. Επιπλέον, η περιορισμένη ανίχνευση στατιστικά σημαντικών αποδόσεων πριν από την ανακοίνωση ενδέχεται να υποδηλώνει διαρροή πληροφορίας, αμφισβητώντας μόνο εν μέρει την ημι-ισχυρή μορφή της Υπόθεσης της Αποτελεσματικής Αγοράς.
This thesis was submitted as a requirement for obtaining the Master's Degree in Banking Finance and Financial Technology from the School of Social Sciences at the Hellenic Open University. It presents Artificial Intelligence (AI), its key technologies in the business world with implementation examples from the pioneering company Palantir Technologies, and focuses on the impact of AI usage announcements on the prices of publicly traded stocks, applying the Event Study methodology. By collecting closing price data of companies listed on major U.S. stock exchanges, we utilize the market model to calculate normal returns and determine abnormal and cumulative abnormal returns. Subsequently, we seek statistically significant values for abnormal and cumulative abnormal returns and present the results. The abnormal returns and cumulative abnormal returns surrounding the event date are generally positive but exhibit a low degree of statistical significance. Furthermore, a statistically significant average abnormal return is observed the day after the announcement, indicating a positive sample reaction to the announcements of AI adoption. Additionally, the limited detection of statistically significant returns prior to the announcement may indicate information leakage, partially challenging the semi-strong form of the Efficient Market Hypothesis.