Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή της Τεχνητής Νοημοσύνης (AI) στον τομέα των επενδύσεων και της διαχείρισης περιουσίας, εστιάζοντας τόσο στις τεχνολογικές εξελίξεις όσο και στις αντιλήψεις των χρηστών. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο της AI, με έμφαση στη χρήση της στην πρόβλεψη τάσεων, στη δημιουργία προσωποποιημένων στρατηγικών, στην αυτοματοποίηση συναλλαγών και στη διαχείριση κινδύνου. Στη συνέχεια, αναλύονται επιτυχημένες και αποτυχημένες περιπτώσεις εφαρμογής της AI από επενδυτικούς οργανισμούς, προσφέροντας μια ολοκληρωμένη εικόνα των δυνατοτήτων και των περιορισμών της τεχνολογίας.
Η εμπειρική προσέγγιση περιλαμβάνει πρωτογενή έρευνα με ερωτηματολόγιο σε δείγμα 115 συμμετεχόντων, εστιάζοντας στον βαθμό εξοικείωσης με την AI, στο επίπεδο εμπιστοσύνης προς πλήρως αυτοματοποιημένες πλατφόρμες και στη σχέση αυτών με δημογραφικά χαρακτηριστικά. Μέσα από στατιστικά τεστ (t-test, ANOVA, συντελεστής συσχέτισης Pearson), αναδεικνύονται σημαντικές διαφορές και συσχετίσεις, όπως η μεγαλύτερη εξοικείωση με την Τεχνητή Νοημοσύνη όσων διαθέτουν επενδυτική εμπειρία και η στατιστικά σημαντική μείωση της εξοικείωσης σε μεγαλύτερες ηλικίες.
Η εργασία καταλήγει σε συμπεράσματα για τις προοπτικές υιοθέτησης της AI από επενδυτές, ενώ διατυπώνονται προτάσεις για μελλοντική έρευνα, κυρίως ως προς την ανάγκη ρύθμισης, την ηθική διάσταση και την ενίσχυση της εμπιστοσύνης.

This thesis explores the application of Artificial Intelligence (AI) in the field of investment and wealth management, combining a theoretical and empirical approach. Initially, it presents the evolution of AI and its practical uses in data analysis, trend forecasting, personalized investment strategies, automated trading, and risk management.
Through selected case studies, both successful and unsuccessful, it critically evaluates the effectiveness and limitations of AI adoption by major financial institutions. The empirical section is based on a structured questionnaire completed by 115 participants, aiming to assess their familiarity with AI, their trust in fully autonomous investment platforms, and the relationship of these attitudes to demographics such as age and investment experience.
Statistical tests (t-test, ANOVA, Pearson correlation) reveal notable findings, including higher familiarity with AI among those with investment experience and a significant decline in familiarity among older respondents. The results highlight trends in user perception and raise important considerations regarding trust, regulation, and the ethical implementation of AI in the financial sector.
The study concludes with recommendations for future research and practical steps toward responsible integration of AI in investment practices.