The impact of artificial intelligence-supported decision models on emerging markets: A behavioral finance perspective

Öz

This study examines the role of AI-supported decision models in emerging markets from a behavioral finance perspective. While traditional finance relies on assumptions of rational investors, evidence shows that investor behavior is strongly influenced by psychological biases and information asymmetries—an effect that becomes more pronounced in volatile emerging markets. Artificial intelligence, through machine learning, deep learning, and sentiment analysis, provides the capacity to process big data and enhance prediction accuracy. An analysis of 13 studies published between 2020 and 2025 shows that AI-based models outperform traditional methods and enable the quantification of behavioral factors such as herding and overconfidence. In some applications, AI can even mitigate certain behavioral biases. However, challenges such as data privacy, algorithmic bias, and model transparency remain critical, especially in emerging markets. Thus, AI should not be viewed as a mechanism that eliminates all biases but as a complementary tool that enhances decision quality when supported by ethical and explainable frameworks. Overall, the study concludes that AI-driven decision mechanisms offer important opportunities for financial stability and investment performance, yet their sustainable implementation requires strong regulatory structures.

Anahtar Kelimeler

• Artificial Inteliligence
• Behavioral Finance
• Emerging Markets
• Decision Support Systems
• Machine Learning
• Financial Technology

Yapay zekâ destekli karar modellerinin gelişen piyasalar üzerindeki etkisi: Davranışsal finans perspektifi

Öz

Bu çalışma, yapay zekâ destekli karar modellerinin gelişmekte olan piyasalardaki rolünü davranışsal finans perspektifinden ele almaktadır. Geleneksel finansın rasyonel yatırımcı varsayımı yerine, yatırımcı davranışlarının psikolojik önyargılar ve bilgi asimetrisinden etkilendiği; bunun da özellikle volatil piyasalarda belirginleştiği vurgulanmaktadır. Yapay zekâ; makine öğrenimi, derin öğrenme ve duygu analizi gibi yöntemlerle büyük veriyi işleyerek tahmin doğruluğunu artırma kapasitesi sunmaktadır. 2020–2025 arasında yayımlanan 13 çalışma incelendiğinde, yapay zekâ tabanlı modellerin geleneksel yöntemlere göre daha yüksek performans gösterdiği ve sürü davranışı, aşırı güven gibi unsurların ölçülebilir hâle geldiği görülmüştür. Bazı uygulamalarda yapay zekâ belirli davranışsal önyargıları da azaltabilmektedir. Ancak veri gizliliği, algoritmik önyargı ve model şeffaflığı gibi riskler, özellikle gelişmekte olan piyasalarda önemini korumaktadır. Bu nedenle yapay zekâ, tüm önyargıları ortadan kaldıran bir yapı olarak değil; etik ve açıklanabilirlik ilkeleriyle desteklendiğinde karar kalitesini artıran bir araç olarak değerlendirilmelidir. Genel sonuç, yapay zekânın finansal istikrar ve yatırım performansı için önemli fırsatlar sunduğu, ancak bunun sürdürülebilirliği için güçlü düzenleyici altyapıya ihtiyaç olduğudur.

Anahtar Kelimeler

• Yapay Zeka
• Davranışsal Finans
• Gelişmekte Olan Piyasalar
• Karar Destek Sistemleri
• Makine Öğrenmesi
• Finansal Teknolojiler

Kaynakça

1. References
2. Akerkar, R. (2019). Artificial intelligence for business. Springer International Publishing.
3. Aktaş, Z. C. (2022, February 13). Para yöneten robotlar. https://www.zeynepcandanaktas.com/blog/2022/2/13/para-yoneten-robotlar
4. Alp Coşkun, E. (2022). The role of artificial intelligence in investment decisions and applications in the Turkish finance industry. Gaziantep Üniversitesi Sosyal Bilimler Dergisi, 21(4), 2208–2222. https://doi.org/10.21547/jss.1101615
5. Altunok, C., & Ünver, M. (2020). Medikal endüstride yapay zeka ve uzman sistemlerin sürekli iyileştirmeye etkisi. Academic Perspective Procedia, 3(1), 482–490. https://doi.org/10.33793/acperpro.03.01.95
6. Anameriç, H. (2005). Yönetim bilgi sistemlerinin yönetim fonksiyonları üzerine etkisi. Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Dergisi, 45(2), 25–43.
7. Atalay, M., & Çelik, E. (2017). Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamaları. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155–172.
8. Ayar, İ. (2024). Davranışsal finans temelinde yapay zekânın algoritmik trading ile etkileşiminin geleceği üzerine bir değerlendirme. İzmir Yönetim Dergisi, 5(2), 71–88. https://doi.org/10.56203/iyd.1447868

9. Aydın, S. (2025). Davranışsal finans alanında yapay zekâ uygulamaları. In M. F. Buğan, Y. Kılıç, & N. Kırcı Çevik (Eds.), Finansal piyasaların evrimi V. Özgür Yayınları. https://doi.org/10.58830/ozgur.pub914.c3862
10. Barakalı, O. C., & Öndeş, T. (2025). Finans alanında yapay zekâ uygulamalarına ilişkin bibliyometrik bir analiz. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 16(2), 748–761.
11. Başoğlu, B., & Bulut, M. (2017). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem getirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(2), 575–583.
12. Bayakhmetova, A., Rudenko, L., Krylova, L., Suleimenova, B., Niyazbekova, S., & Nurpeisova, A. (2025). Artificial intelligence in financial behavior: Bibliometric ideas and new opportunities. Journal of Risk and Financial Management, 18(3), Article 159. https://doi.org/10.3390/jrfm18030159
13. Bilgin, D. (2023). Finansal kararlarda davranışsal finans ve yapay zeka: İnsan faktörü ve teknoloji etkileşimi. In N. M. Hamzaoğlu (Ed.), Davranışsal iktisadın gelişimi ve uygulamaları (pp. 151–168). Nobel Yayınevi.
14. Bingöl, K., Er Akan, A., Örmecioğlu, H. T., & Er, A. (2020). Depreme dayanıklı mimari tasarımda yapay zekâ uygulamaları: Derin öğrenme ve görüntü işleme yöntemi ile düzensiz taşıyıcı sistem tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(4), 2197–2210.
15. Bolhuis, M. A., & Rayner, B. (2020). Deus ex machina? A framework for macro forecasting with machine learning (IMF Working Paper). International Monetary Fund.
16. Boukherouaa, E., & Shabsigh, G. (2021). Powering the digital economy: Opportunities and risks of artificial intelligence in finance (IMF Departmental Paper). International Monetary Fund.
17. Bowen, G. A. (2009). Document analysis as a qualitative research method. Qualitative Research Journal, 9(2), 27–40.
18. Çelik, H. D. (2018). İşletmelerde finansal karar destek sistemleri [Yayımlanmamış yüksek lisans tezi]. Bahçeşehir Üniversitesi.
19. Çelik, L. (2006). Karar destek sistemlerinin karar verme sürecindeki rolü: Otomotiv sektöründe faaliyet gösteren bir işletmede incelenmesi [Yayımlanmamış yüksek lisans tezi]. Marmara Üniversitesi.
20. Çelikten, M., Gılıç, F., Çelikten, Y., & Yıldırım, A. (2019). Örgüt yönetiminde karar verme süreci: Bitmeyen bir tartışma. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 15(2), 581–592.
21. Çevik, M. E., & Vuran, B. (2025). Finansal karar süreçlerinde makine öğrenimi tabanlı tahmin ve strateji geliştirme yaklaşımları. Ekonomi İşletme ve Maliye Araştırmaları Dergisi, 7(2), 213–237. https://doi.org/10.38009/ekimad.1710303
22. Çolakoğlu, A. A. (2020). Makine öğrenmesi algoritmaları ile Avrupa havalimanları analizi [Yayımlanmamış yüksek lisans tezi]. Pamukkale Üniversitesi.
23. Cooper, C. (2023). Automation, artificial intelligence, and machine learning in consumer lending. Congressional Research Service.
24. Craft, J. A. (2018). Artificial intelligence and the softer side of medicine. Missouri Medicine, 115(5), 406.
25. Creswell, J. W. (2021). Nitel araştırma yöntemleri: Beş yaklaşıma göre nitel araştırma ve araştırma deseni (M. Bütün & S. B. Demir, Eds.). Siyasal Kitabevi.
26. Cross, R., Grinfeld, M., Lamba, H., & Seaman, T. (2004). A threshold model of investor psychology. University of Reading.
27. Daniel, K. (2004). Discussion of testing behavioral finance theories using trends and sequences in financial performance. Journal of Accounting and Economics, 38, 3–6.
28. Daniela, M. (2019). Decision support systems to create a competitive advantage. Internal Auditing & Risk Management, 3(55), 76–82.
29. Daş, R., Türkoğlu, İ., & Poyraz, M. (2006). Genetik algoritma yöntemiyle internet erişim kayıtlarından bilgi çıkarılması. SAÜ Fen Bilimleri Enstitüsü Dergisi, 10(2), 67–72.
30. Demir, F. (2025). Bireysel yatırımcıların yatırım kararlarında yapay zeka kullanım kabullerinin incelenmesi: ChatGPT örneği [Yayımlanmamış yüksek lisans tezi]. Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü.
31. Demir, Ş. (2025). Yapay zekâ destekli yatırım tavsiyelerinin hukuki niteliği: Sermaye piyasasında sorumluluğun sınırları. Zenodo. https://doi.org/10.5281/zenodo.15849149
32. Demirhan, A., Kılıç, Y. A., & İnan, G. (2010). Tıpta yapay zekâ uygulamaları. Yoğun Bakım Dergisi, 9(1), 31–41.
33. Desai, M. (2023). What the finance industry tells us about the future of AI. Harvard Business Review. https://hbr.org
34. Dizman, H., & Özen, E. (2017). Küçük işletmelerde karar destek sistemlerinin farkındalığı üzerine bir araştırma. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 2(3), 137–152.
35. Dönerçark, M., & Tecim, V. (2020). Kurumsal karar destek sistemlerinde yapay zekâ kullanımı: Tasarım ve uygulama. Yönetim Bilişim Sistemleri Dergisi, 6(2), 77–103.
36. Dural, C. (2015). Karar destek sistemlerinde kişiselleştirilmiş karar destek sisteminin önemi [Yayımlanmamış yüksek lisans tezi]. Beykent Üniversitesi.
37. Elmacı, O. (2025, July 18). Yapay zeka destekli finansal tahmin ve risk yönetimi: Borsa İstanbul örneği [Research report]. Kütahya Dumlupınar Üniversitesi Bilgi Portalı. https://portal.dpu.edu.tr/orhan.elmaci/makale_oku/1136/yapay-zeka-destekli-finansal-tahmin-ve-risk-yonetimi-borsa-istanbul-ornegi
38. Emhan, A. (2007). Karar verme süreci ve bu süreçte bilişim sistemlerinin kullanılması. Elektronik Sosyal Bilimler Dergisi, 6(21), 212–224.
39. Finance Magnates. (2023). The evolution of insurtech and its impact on the insurance industry. https://www.financemagnates.com/fintech/education-centre/the-evolution-of-insurtech-and-its-impact-on-the-insurance-industry/
40. Financial Stability Board. (2017). Artificial intelligence and machine learning in financial services. Financial Stability Board.
41. Financial Stability Board. (2020). The use of supervisory and regulatory technology by authorities and regulated institutions. Financial Stability Board.
42. Fuller, J. R. (2000). Behavioral finance and the literature. Financial Management, 29(1), 1–12.
43. Gedik, Y. (2025). Finans sektöründe yapay zekâ avantajları, zorlukları ve stratejileri üzerine kavramsal bir değerlendirme. Journal of Economics and Research, 6(1), 59–78. https://doi.org/10.53280/jer.1658159
44. George, J. F. (1992). The conceptualization and development of organizational decision support systems. Journal of Management Information Systems, 8(3), 109–125.
45. Gümüş, E., Medetoğlu, B., & Tutar, S. (2020). Finans ve bankacılık sisteminde yapay zekâ kullanımı: Kullanıcılar üzerine bir uygulama. Bucak İşletme Fakültesi Dergisi, 3(1), 28–53. https://doi.org/10.38057/bifd.690982
46. Gülşen, İ. (2019). İşletmelerde yapay zekâ uygulamaları ve faydaları: Perakende sektöründe bir derleme. Tüketici ve Tüketim Araştırmaları Dergisi, 11(2), 407–436.
47. Howard, J. (2019). Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, 62(11), 917–926.
48. İnce, H., İmamoğlu, S. E., & İmamoğlu, S. Z. (2021). Yapay zeka uygulamalarının karar verme üzerine etkileri: Kavramsal bir çalışma. International Review of Economics and Management, 9(1), 50–63. https://doi.org/10.18825/iremjournal.866432
49. International Organization of Securities Commissions. (2017). Research report on financial technologies (FinTech). https://www.iosco.org/library/pubdocs/pdf/IOSCOPD554.pdf
50. Karagül, A. A. (2006). Bilgi yönetimi sürecinde kurumsal kaynak planlaması uygulamalarının muhasebe bilgi sistemine etkisi ve bir uygulama [Doktora tezi]. Anadolu Üniversitesi.
51. Kearns, J. (2023). AI’s reverberations across finance. Finance & Development, 38–41.
52. Keskenler, M. F., & Keskenler, E. F. (2017). Geçmişten günümüze yapay sinir ağları ve tarihçesi. Takvim-i Vekayi, 5(2), 8–18.
53. Kırık, S. (2025). Geleneksel finansın sınırları ve davranışsal yaklaşımın yükselişi: Karar alma süreçlerinde bilişsel sapmaların rolü. In C. Şahin (Ed.), Finansta yeni ufuklar: Güncel araştırmalar ve geleceğe yönelik yaklaşımlar. Özgür Yayınları. https://doi.org/10.58830/ozgur.pub1070.c4228
54. Kostopoulos, G., Davrazos, G., & Kotsiantis, S. (2024). Explainable artificial intelligence-based decision support systems: A recent review. Electronics, 13(14), Article 2842. https://doi.org/10.3390/electronics13142842
55. KPMG. (2023). Generative AI: From buzz to business value. https://wcdglobal.org/wp-content/uploads/generative-ai-survey_Tech-AI-Enabled-3.pdf
56. Küçük, D., & Arıcı, N. (2018). Doğal dil işlemede derin öğrenme uygulamaları üzerine bir literatür çalışması. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 2(2), 76–86.
57. Kumar, R., & Kumar, N. (2022). Artificial intelligence in behavioural finance: Opportunities and challenges. International Journal of Advanced Research in Commerce, Management & Social Science, 7(4), 194–200.
58. Kurbanoğlu, S. (1992). Uzman sistemler. Türk Kütüphaneciliği, 6(4), 189–193.
59. Lawrence, T. (1991). Impacts of artificial intelligence on organizational decision making. Journal of Behavioral Decision Making, 4(3), 195–214.
60. Metin, T. (2025). Gelişmekte olan piyasalarda davranışsal finans: Trendler, boşluklar ve iş birlikleri. Scientific Journal of Innovation and Social Sciences Research, 5(1).
61. Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ, 339, Article b2535. https://doi.org/10.1136/bmj.b2535
62. Moustati, I., & Gherabi, N. (2025). Bridging behavioral insights and automated trading. Information, 16(5), Article 338. https://doi.org/10.3390/info16050338
63. OECD. (2021a). Artificial intelligence, machine learning and big data in finance. OECD Publishing.
64. OECD. (2023). Generative artificial intelligence in finance. OECD Publishing.
65. Onwujekwe, G., & Weistroffer, H. R. (2025). Intelligent decision support systems: An analysis of the literature and a framework for development. Information Systems Frontiers, 27(5), 2027–2058. https://doi.org/10.1007/s10796-024-10571-1
66. Özçalıcı, M., & Ayrıçay, Y. (2016). Bilgi işlemsel zeka yöntemleri ile hisse senedi fiyat tahmini: BİST uygulaması. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 25(1), 274–298.
67. Öztemel, E. (2012). Yapay sinir ağları. Papatya Yayıncılık Eğitim.
68. Öztürk, H. (2024). Finans piyasalarında yatırımların değerlendirilmesinde Fintech ve yapay zekâ uygulamaları: Türkiye örneği [Yayımlanmamış yüksek lisans tezi]. Bilecik Şeyh Edebali Üniversitesi.
69. Öztürk, K., & Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25–36.
70. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, Article n71. https://doi.org/10.1136/bmj.n71
71. Pomerol, J. C. (1997). Artificial intelligence and human decision making. European Journal of Operational Research, 99(1), 3–25.
72. Pressley, J. (2024, March 4). How AI can help banks reduce operational costs. BizTech Magazine. https://biztechmagazine.com/article/2024/03/how-ai-can-help-banks-reduce-operational-costs
73. Ritter, J. R. (2003). Behavioral finance. Pacific-Basin Finance Journal, 11(4), 429–437.
74. Samiee, S., & Chabowski, B. R. (2012). Knowledge structure in international marketing: A multi-method bibliometric analysis. Journal of the Academy of Marketing Science, 40(2), 364–386.
75. Shanmuganathan, M. (2020). Behavioural finance in an era of artificial intelligence. Journal of Behavioral and Experimental Finance, 27, Article 100297. https://doi.org/10.1016/j.jbef.2020.100297
76. Soori, M., Jough, F. K. G., Dastres, R., & Arezoo, B. (2024). AI-based decision support systems in Industry 4.0. Journal of Economy and Technology. Advance online publication.
77. Şahin, S. (2024). Finans sektöründe yapay zeka, makine öğrenmesi ve büyük veri kullanımı: Fırsatlar, zorluklar ve politika yapıcılar için çıkarımlar. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 9(4), 364–381. https://doi.org/10.29106/fesa.1542860
78. Tekin, Ö. A., & Ehtiyar, V. R. (2010). Yönetimde karar verme: Batı Antalya bölgesindeki beş yıldızlı otellerde çalışan farklı departman yöneticilerinin karar verme stilleri üzerine bir araştırma. Yaşar Üniversitesi E-Dergisi, 5(20), 3394–3414. https://doi.org/10.19168/jyu.10174
79. Tierno, P. (2024). Artificial intelligence and machine learning in financial services. Congressional Research Service.
80. Uyanık, B. (2016). Karar destek sistemlerinin geliştirme yaşam döngüsü. TÜBİTAK TÜSSİDE.
81. Van der Burgt, J. (2019). General principles for the use of artificial intelligence in the financial sector. De Nederlandsche Bank.
82. Yaldır, A., & Taşer, M. (2016). Hastane bilgi yönetim sistemleri için OLAP yöntemleri ile karar destek modülü tasarımı ve uygulaması. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(1), 153–171.
83. Yıldırım, A., & Şimşek, H. (2016). Sosyal bilimlerde nitel araştırma yöntemleri (10. bs.). Seçkin Yayıncılık.
84. Yıldız, A. (2022). Finans alanında yapay zekâ teknolojisinin kullanımı: Sistematik literatür incelemesi. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 52, 47–66.
85. Yıldız, O., Dağdeviren, M., & Çetinyokuş, T. (2008). İşgören performansının değerlendirilmesi için bir karar destek sistemi ve uygulaması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23(1), 239–248.
86. Zhu, H., Vigren, O., & Söderberg, I.-L. (2024). Implementing artificial intelligence empowered financial advisory services. Journal of Business Research, 174, Article 114508. https://doi.org/10.1016/j.jbusres.2024.114508