SavedAdd your journal

Journals / Uluslararası Ekonomi İşletme ve Politika Dergisi / 2026 / Cilt: 10 Sayı: 1

Predicting Stock Returns Using Financial Ratios with Random Forest, XGBoost, and LightGBM: An Application on BIST

Finansal Oranlar Yardımıyla Hisse Senedi Getirilerinin Random Forest, XGBoost ve LightGBM ile Tahmin Edilmesi: BIST’te Bir Uygulama

Hakan Yılmaz(AĞRI İBRAHİM ÇEÇEN ÜNİVERSİTESİ)0000-0003-0373-9057
Pages
415–440
Publication Date
2026-04-10
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

According to the results, LightGBM showed the highest performance with a general accuracy rate of 96.28%, reaching 96.80% accuracy in positive return classification, while Random Forest emerged as the most successful model with a rate of 97.85% in negative return classification.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The study aimed to forecast the stock returns of companies operating continuously in the Chemicals, Pharmaceuticals, Oil, Rubber and Plastic Products sector of the Istanbul Stock Exchange (BIST) between 2014 and 2024.
📊
Key Findings & Data:According to the results, LightGBM showed the highest performance with a general accuracy rate of 96.28%, reaching 96.80% accuracy in positive return classification, while Random Forest emerged as the most successful model with a rate of 97.85% in negative return classification.
💡
Conclusion & Impact:In conclusion, it was determined that ensemble-based machine learning methods demonstrate effective prediction performance with a high level of accuracy in financial data analysis applications.
🔬Design:Modeling & Simulation
📍Scope:2014 Verileri
⚙️Variables:Hisse Senedi Getiri Tahmini · Random Forest · XGBoost

Abstract

The study aimed to forecast the stock returns of companies operating continuously in the Chemicals, Pharmaceuticals, Oil, Rubber and Plastic Products sector of the Istanbul Stock Exchange (BIST) between 2014 and 2024. Within this scope, the machine learning-based Random Forest, XGBoost and LightGBM algorithms were applied comparatively. Genetic algorithm-based feature selection and Random Search hyperparameter optimisation methods were applied to the dataset consisting of financial ratios of companies and macroeconomic indicators. A stock return direction classification approach was used to define the dependent variable in the study. According to the results, LightGBM showed the highest performance with a general accuracy rate of 96.28%, reaching 96.80% accuracy in positive return classification, while Random Forest emerged as the most successful model with a rate of 97.85% in negative return classification. According to the results of the SHAP analysis applied, it was understood that the Market Value/Book Value, Price/Earnings Ratio, CPI, and Debt/Equity Ratio variables were the most effective indicators in predicting stock returns. In conclusion, it was determined that ensemble-based machine learning methods demonstrate effective prediction performance with a high level of accuracy in financial data analysis applications.

Özet

Çalışmada, 2014–2024 yıllarında Borsa İstanbul (BIST) Kimya, İlaç, Petrol, Lastik ve Plastik Ürünler sektöründe süreklilik gösteren işletmelerin hisse senedi getirilerinin tahmin edilmesi amaçlanmıştır. Bu kapsamda, makine öğrenmesi tabanlı Random Forest, XGBoost ve LightGBM algoritmaları karşılaştırmalı olarak uygulanmıştır. Çalışmada işletmelere ait finansal oranlar ile makroekonomik göstergelerden oluşturulan veri seti üzerinde genetik algoritma temelli özellik seçimi ve Random Search hiperparametre optimizasyonu yöntemleri uygulanmıştır. Çalışma bağımlı değişkeni tanımlarken, hisse senedi getiri yönü sınıflandırma yaklaşımı kullanılmıştır. Sonuçlara göre LightGBM %96.28 genel doğruluk oranıyla en yüksek performansı göstermiş olup pozitif getiri sınıflamasında %96.80 doğruluğa ulaşırken, Random Forest ise negatif getiri sınıflamasında %97.85 oranıyla en başarılı model olarak ortaya çıkmıştır. Uygulanan SHAP analizi sonuçlarına göre Piyasa Değeri/Defter Değeri, Fiyat/Kazanç Oranı, TÜFE ve Borç/Özsermaye Oranı değişkenlerinin hisse senedi getirilerinin tahmininde en etkili göstergeler olduğu anlaşılmıştır. Sonuç olarak, ensemble (topluluk) tabanlı makine öğrenmesi yöntemlerinin finansal veri analizi uygulamasında yüksek doğruluk düzeyiyle etkili tahmin performansı ortaya koyduğu belirlenmiştir.

🔖

Cite This Article

Yılmaz, H. (2026). Predicting Stock Returns Using Financial Ratios with Random Forest, XGBoost, and LightGBM: An Application on BIST. Uluslararası Ekonomi İşletme ve Politika Dergisi, Cilt: 10 Sayı: 1, 415–440. https://doi.org/10.29216/ueip.1824202

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (71)

  1. Abar, H. (2020). Xgboost ve Mars Yöntemleriyle Altın Fiyatlarının Kestirimi. EKEV Akademi Dergisi, (83), 427-446. Erişim adresi: https://dergipark.org.tr/en/pub/sosekev
  2. Açar, İ. ve Aydilek, İ. B. (2024). Geleneksel Makine Öğrenmesi Yöntemleri ve Metasezgisel Yöntemlerle Öznitelik Seçim Yöntemlerinin Karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 15 (2), 397-409. https://doi.org/10.24012/dumf.1451945
  3. Ağaslan, E. (2025). BIST 100 Endeksi İçin Öngörü: ARIMA, GARCH, SVR ve LIGHTGBM Modellerinin Ekonometrik Karşılaştırılması. Aizanoi Academia-İktisat, İşletme ve Siyasal Çalışmalar Dergisi, 3(2), 74-92. Erişim adresi: https://aizanoiacademia.com/index.jsp
  4. Akar, Ö. ve Güngör, O. (2012). Rastgele Orman Algoritması Kullanılarak Çok Bantlı Görüntülerin Sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146. https://doi.org/10.9733/jgg.241212.1t
  5. Akkurt, T. ve Sarıçiçek, İ. (2024). Derin Öğrenme Teknikleri Kullanılarak Üretim Sistemlerinde KPI Tabanlı Performans Tahminleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(3), 1499-1507. https://doi.org/10.17341/gazimmfd.1100614
  6. Akman, M., Genç, Y. ve Ankaralı, H. (2011). Random Forests Yöntemi ve Sağlık Alanında Bir Uygulama. Türkiye Klinikleri Journal of Biostatistics, 3 (1), 36-48. Erişim adresi: https://www.turkiyeklinikleri.com/
  7. Aksoy, B. (2020). Sosyal Sorumlu Yatırım Bağlamında Pay Senedi Getirisinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi: Borsa İstanbul Örneği. İşletme Araştırmaları Dergisi, 12 (4), 3859-3878. https://doi.org/10.20491/isarder.2020.1077
  8. Albayrak, E. ve Saran, A. N. (2023). İstatistiksel ve Derin Öğrenme Modellerini Kullanarak Hisse Senedi Fiyat Tahmini. Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16 (2), 161-169. https://doi.org/10.54525/tbbmd.1031017
  9. Alpay, O. (2024). Çoklu Doğrusal Bağlantılı Nadir Olayların Modellenmesinde Lasso ve Ridge Regresyon ile Boosting Algoritmalarının Performans Karşılaştırılması. Sinop Üniversitesi Fen Bilimleri Dergisi, 9 (1), 154-166. https://doi.org/10.33484/sinopfbd.1434260
  10. Altan, G. ve Demirci, S. (2022). Makine Öğrenmesi ile Nakit Akış Tablosu Üzerinden Kredi Skorlaması: Xgboost Yaklaşımı. İktisat Politikası Araştırmaları Dergisi, 9 (2), 397-424. https://doi.org/10.26650/JEPR1114842
  11. Aydın, Y. (2020). Finansal Performans ile Pay Senedi Getirisi Arasındaki İlişkinin Entropi ve MAUT ÇKKV Teknikleriyle Değerlendirilmesi: BİST Kimya, Petrol, Kauçuk ve Plastik Ürünler Sektörü Firmalarından Kanıtlar. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Dergisi, 5 (TBMM 100. Yıl Özel Sayısı), 164-185. https://doi.org/10.33905/bseusbed.773541
  12. Ayyıldız, N. (2024). Bankacılık Sektörüne Derin Öğrenme Yöntemiyle Bakış: BIST Banka Endeksi Hareket Yönlerinin Tahmini. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 13 (3), 1277-1291. https://doi.org/10.15869/itobiad.1451709
  13. Barak, S. ve Modarres, M. (2015). Developing an Approach to Evaluate Stocks by Forecasting Effective Features with Data Mining Methods. Expert Systems with Applications, (42), 1325-1339. https://doi.org/10.1016/j.eswa.2014.09.026
  14. Breiman, L. (2001). Random Forest. Machine Learning, (45), 5-32. https://doi.org/10.1023/A:1010933404324
  15. Büyükkör, Y. (2022). Xgboost Makine Öğrenmesi Yöntemi Kullanılarak Ham Petrol Fiyatının Tahminlenmesi. Ankara: Gazi Kitabevi.
  16. Castañeda, A. ve Figueroa, L. L. (2024, February). Predicting Stock Returns from Company Financials and Machine Learning. In Workshop on Computation: Theory and Practice, 369-379, Atlantis Press.
  17. Chen, T. ve Guestrin, C. (Ağustos 2016). Xgboost: A Scalable Tree Boosting System. In Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
  18. Cohen, G., Aiche, A. ve Eichel, R. (2025). Artificial Intelligence Models for Predicting Stock Returns Using Fundamental, Technical, and Entropy-Based Strategies: A Semantic-Augmented Hybrid Approach. Entropy, 27(6), 550. https://doi.org/10.3390/e27060550
  19. Çevik, M. E. ve 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
  20. Çolak, Z. (2025). Derin Öğrenme Modelleri ile Hisse Senedi Fiyat Tahmini: LSTM, GRU, RNN, MLP Modellerinin Karşılaştırmalı Analizi. Yönetim Bilimleri Dergisi, 23 (56), 1250-1286. https://doi.org/10.35408/comuybd.1596351
  21. Dalkıran, İ. ve Ozan, M. (2022). Derin Öğrenme Teknikleri Kullanılarak Borsadaki Hisse Değerlerinin Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı 39), 143-148. https://doi.org/10.31590/ejosat.1145949
  22. Dayı, F. (2018). Hisse Senedi Getirilerinin Tahmininde Yapay Sinir Ağı Modeli Kullanımı: İMKB’de Bir Uygulama. Akademik Araştırmalar ve Çalışmalar Dergisi, 10 (19), 572-592. Erişim adresi: https://dergipark.org.tr/tr/pub/kilisiibfakademik
  23. Ege, İ. ve Bayrakdaroğlu, A. (2009). İMKB Şirketlerinin Hisse Senedi Getiri Başarılarının Lojistik Regresyon Tekniği ile Analizi. ZKÜ Sosyal Bilimler Dergisi, 5 (10), 139-158. Erişim adresi: https://dergipark.org.tr/en/pub/ijmeb
  24. Elsegai, H., El-Metwally, H. S. H. M. ve Almongy, H. M. (2025). Predicting the Trends of the Egyptian Stock Market Using Machine Learning and Deep Learning Methods. Computational Journal of Mathematical and Statistical Sciences, 4 (1), 186-221. doi:10.21608/cjmss.2024.320645.1077
  25. Ergenç, C. ve Aktaş, R. (2025). A Supervised Machine Learning in Financial Forecasting: Identifying Effective Models for the BIST100 Index. Review of Economic Perspectives, 25(1), 66-90. doi: 10.2478/revecp-2025-0005
  26. Eşidir, K. A. (2025). Makine Öğrenimi Modelleri ile Yetişkin Eğitimi Analizi: Modellerin Karşılaştırmalı Performansı. Elektronik Sosyal Bilimler Dergisi, 24 (2), 946-964. https://doi.org/10.17755/esosder.1589887
  27. Fieberg, C., Metko, D., Poddig, T. ve Loy, T. (2023). Machine Learning Tecniques for Cross-Sectional Equity Returns Prediction. OR Spectrum, 45, 289-323. https://doi.org/10.1007/s00291-022-00693-w
  28. Gayaker, S. (2024). Türkiye’de Ekonomik Şoklar ve Krizler Bağlamında Enflasyon Öngörüsü: Xgboost ve ARMA Yöntemlerinin Karşılaştırılması. Ekonomi, Politika & Finans Araştırmaları Dergisi, 9 (4), 877-895. https://doi.org/10.30784/epfad.1560378
  29. Hidayaturrohman, Q. A. ve Hanada, E. (2025). A Comparative Analysis of Hyper-Parameter Optimization Methods for Predicting Heart Failure Outcomes. Applied Sciences, 15(6), 3393. https://doi.org/10.3390/app15063393
  30. Htun, H. H., Bieh, M. ve Petkov, N. (2024). Forecasting Relative Returns for S&P 500 Stocks Using Machine Learning. Financial Innovation, 10 (118), 1-16. https://doi.org/10.1186/s40854-024-00644-0
  31. Ilemobayo, J. A., et al. (2024). Hyperparameter Tuning in Machine Learning: A Comprehensive Review. Journal of Engineering Research and Reports, 26(6), 388-395. https://doi.org/10.9734/jerr/2024/v26i61188
  32. Kamu Aydınlatma Platformu (KAP). (2025). Erişim adresi: https://www.kap.org.tr/tr/Sektorler
  33. Kantar, O. ve Kilimci, Z. H. (2023). Derin Öğrenme Temelli Hibrid Altın Endeksi (XAU/USD) Yön Tahmin Modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38 (2), 1117-1128. https://doi.org/10.17341/gazimmfd.888456
  34. KAP (2025). Kamu Aydınlatma Platformu. Erişim adresi: https://www.kap.org.tr/tr
  35. Kara, İ. ve Ecer, F. (2018). BİST Endeks Hareket Yönünün Tahmininde Sınıflandırma Yöntemlerinin Performanslarının Karşılaştırılması. Akademik Sosyal Araştırmalar Dergisi, (83), 514-524. Erişim adresi: https://asosjournal.com/
  36. Karadeniz, E. ve İskenderoğlu, Ö. (2024). Konaklama İşletmelerinde Piotroski F Skor ve Hisse Senedi Getirisi: Borsa İstanbul’da Bir Araştırma. Çatalhöyük Uluslararası Turizm ve Sosyal Araştırmalar Dergisi, (12), 31-43. https://doi.org/10.58455/cutsad.1439193
  37. Kartal, C. (2020). Destek Vektör Makineleri ile Borsa Endekslerinin Tahmini. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 9 (2), 1394-1418. https://doi.org/10.15869/itobiad.673015
  38. Kemalbay, G. ve Alkış, B. N. (2021). Borsa Endeks Hareket Yönünün Çoklu Lojistik Regresyon ve K-En Yakın Komşu Algoritması ile Tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27 (4), 556-569. doi: 10.5505/pajes.2020.57383
  39. Kuş, İ., Keser, S. B. ve Yolaçan, E. N. (2021). Saldırı Tespit Sistemlerinde Topluluk Öğrenme Yöntemlerinin Kıyaslanması. Avrupa Bilim ve Teknoloji Dergisi, (31), 725-734. https://doi.org/10.31590/ejosat.971875
  40. Kyriakou, I., Mousavi, P., Nielsen, J. P. ve Scholz, M. (2021). Forecasting Benchmarks of Long-Term Stock Returns Via Machine Leraning. Annals of Operations Research, 297 (1), 221-240. https://doi.org/10.1007/s10479-019-03338-4
  41. Milosevic, N. (2016). Equity Forecast: Predicting Long Term Stock Price Movement Using Machine Learning. arXiv preprint arXiv:1603.00751, 3 (2), 288-294. https://doi.org/10.48550/arXiv.1603.00751
  42. Mohapatra, S., Mukherjee, R., Roy, A., Sengupta, A. ve Puniyani, A. (2022). Can Ensemble Machine Learning Methods Predict Stock Returns for Indian Banks Using Technical İndicators? Journal of Risk and Financial Management, (15), 1-16. https://doi.org/10.3390/jrfm15080350
  43. Oyewola, D., Dada, E. G., Omole, E. O. and Al-Mustapha, K. A. (2019). Predicting Nigerian Stock Returns Using Technical Analysis and Machine Learning. European Journal of Electrical and Computer Engineering, 3 (2), 1-8. http://dx.doi.org/10.24018/ejece.2019.3.2.65
  44. Özcan, K. A. (2023). Borsa Endeksi Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: BIST 100 Örneği. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 14 (3), 1001-1018. Erişim adresi: https://dergipark.org.tr/en/pub/gumus
  45. Özdemir, A. K., Tolun, S. ve Demirci, E. (2011). Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği. Niğde Üniversitesi İİBF Dergisi, 4 (2), 45-59. Erişim adresi: https://dergipark.org.tr/tr/pub/ohuiibf
  46. Öztürk, C. ve Karacı, A. (2024). Derin Öğrenme Yöntemleri Kullanılarak Hisse Senedi Fiyat Tahmini Üzerine Ampirik Bir Analiz: LSTM, GRU, GAN ve WGAN-GP. Gazi Journal of Engineering Sciences, 10 (3), 472-495. doi:10.30855/gmbd.0705AR03
  47. Pabuçcu, H. (2019). Borsa Endeks Hareketlerinin Makine Öğrenme Algoritmaları ile Tahmini. UİİİD-IJEAS, (23), 179-190. doi: 10.18092/ulikidince.484138
  48. Pabuçcu, H. (2019). Borsa Endeksi Hareketlerinin Tahmini: Trend Belirleyici Veri. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22 (1), 246-256. https://doi.org/10.29249/selcuksbmyd.487862
  49. Patel J., Shah, S., Thakkar, P. and Kotecha, K. (2015). Predicting Stock and Stock Price İndex Movement Using Trend Deterministic Data Preparation and Machine Learning Techniques. Expert Systems with Applications, 42 (1), 259-268. https://doi.org/10.1016/j.eswa.2014.07.040
  50. Saner, C. B., Kesici, M., Mahdı, M., Yaslan, Y. ve Genç, V. M. İ. (2019). Güç Sistemlerinde Geçici Hal Kararsızlığının Arıza Öncesi Fazör Ölçümleri Kullanarak Karar Ağacı Tabanlı Kestirimi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23 (1), 6-14. https://doi.org/10.19113/sdufenbed.474888
  51. Seçik Göçer, B. C. ve Emiroğlu, İ. (2024). Müşteri Terk Verisi Üzerinde Artırma Yöntemlerinin Performans Karşılaştırması. Alfa Mühendislik ve Uygulamalı Bilimler Dergisi, 2 (1), 1-16. Erişim adresi: https://dergipark.org.tr/en/pub/ajeas
  52. Sen, J. (December 2018). Stock Price Prediction Using Machine Learning and Deep Leraning Frameworks. 6th International Conference on Business Analytics and Intelligence (ICBAI), Bangalore India. doi: 10.13140/RG.2.2.35704.49923
  53. Sevli, O. (2019). Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185. https://doi.org/10.31590/ejosat.553549
  54. Singh, R. ve Srivastava, S. (2017). Stock Prediction Using Deep Learning. Multimed Tools Appl, (76), 18569-18584. doi: 10.1007/s11042-016-4159-7
  55. Şen, U., Başer, F. ve Sönmez, F. N. Ö. (2025). Ofis Kiralarının Kestiriminde Makine Öğrenmesi Yaklaşımları ve Pazar Analizi. İşletme Araştırmaları Dergisi, 17 (1), 844-861. https://doi.org/10.20491/isarder.2025.2006
  56. Şeyranlıoğlu, O. ve Karavardar, A. (2024). Şirket Değerlemesinde Makine Öğrenmesi Algoritmalarının Kullanımına Yönelik Bir Uygulama: Holding Şirketleri Örneği. Uluslararası Ekonomi ve Yenilik Dergisi, 10 (1), 149-175. https://doi.org/10.20979/ueyd.1436560
  57. Tekin, S. ve Çanakoğlu, E. (Mayıs 2018). Borsa İstanbul Hisse Senedi Getirilerinin Makine Öğrenmesi Yöntemleriyle Tahmini. 26. Sinyal İşleme ve İletişim Uygulamaları Konferansı, IEEE, 1-4. Erişim adresi: https://ieeexplore.ieee.org
  58. Terko, A., Zunic, E., Donko, D., ve Dzelihodzic, A. (2019). Credit Scoring Model Implementation in A Microfinance Context. International Conference On Information, Communication And Automation Technologies, 1-6. doi: 10.1109/ICAT47117.2019.8939036
  59. Tokmak, M. (2022). Uzun-Kısa Süreli Bellek Ağı Kullanarak Hisse Senedi Fiyatı Tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 6 (2), 309-322. https://doi.org/10.31200/makuubd.1164099
  60. Tsai, C. F. ve Hsiao, Y. C. (2010). Combining Multiple Feature Selection Methods for Stock Prediction: Union, İntersection, and Multi-İntersection Approaches. Decision Support Systems, 1(50). 269-258. https://doi.org/10.1016/j.dss.2010.08.028
  61. Tsai, C. F. ve Hsiao, Y. C. (2010). Combining Multiple Feature Selection Methods for Stock Prediction: Union, İntersection and Multi-İntersection Approaches. Decision Support Systems, (50), 258-269. https://doi.org/10.1016/j.dss.2010.08.028
  62. Ustalı, N. K., Tosun, N. ve Tosun Ö. (2021). Makine Öğrenmesi Teknikleri ile Hisse Senedi Fiyat Tahmini. Osmangazi Üniversitesi İİBF Dergisi, 16 (1), 1-16. https://doi.org/10.17153/oguiibf.636017
  63. Ürgüp, S. E. (2022). Maliyet Yapışkanlığı Teorisinin Test Edilmesi: BIST Kimya, İlaç, Petrol, Lastik ve Plastik Ürünler Sektörü Örneği. Ekonomi, Politika & Finans Araştırmaları Dergisi, 7 (2), 442-456. https://doi.org/10.30784/epfad.1098349
  64. Vijh, M., Chandola, D., Tikkiwal, V. A. ve Kumar, A. (2020). Stock Closing Price Prediction Using Machine Learning Techniques. Procedia Computer Science, (167), 599-606. https://doi.org/10.1016/j.procs.2020.03.326
  65. Wu, J., Chen, X. Y., Zhang, H., Xiong, L. D., Lei, H. ve Deng, S. H. (2019). Hyperparameter Optimization for Machine Learning Models Based on Bayesian Optimization. Journal of Electronic Science and Technology, 17(1), 26-40. doi: 10.11989/JEST.1674-862X.80904120
  66. Yakut, E. ve Gemici, E. (2017). LR, C5.0, CART, DVM Yöntemlerini Kullanarak Hisse Senedi Getiri Sınıflandırma Tahmini Yapılması ve Kullanılan Yöntemlerin Karşılaştırılması: Türkiye’de BIST’de Bir Uygulama. Ege Akademik Bakış, 17 (4), 461-479. doi: 10.21121/eab.2017431296
  67. Yakut, E., Elmas, B. ve Yavuz, S. (2014). Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19 (1), 139-157. Erişim adresi: https://dergipark.org.tr/tr/pub/sduiibfd
  68. Yiğit, Ö. E. ve Karaköse, M. (2021). Teknik Göstergeleri Makine Öğrenimi Modellerine Entegre Ederek Şehir Endeksi Hareketinin Yönünü Tahmin Etmeye Yönelik Bir Yaklaşım. Hitit Sosyal Bilimler Dergisi, 14 (2), 556-575. https://doi.org/10.17218/hititsbd.979391
  69. Zengin, H. F. ve Keser, S. B. (2023). Makine Öğrenimi ve Hiper Parametre Optimizasyonu ile Binalardaki Enerji Verimliliği Analizi. Uluborlu Mesleki Bilimler Dergisi, 6 (2), 53-64. Erişim adresi: https://dergipark.org.tr/tr/pub/umbd
  70. Zhang, X., Hu, Y., Xie, K., Wang, S., Ngai, E. W. T. ve Liu, M. (2014). A Causal Feature Selection Algorithm for Stock Prediction Modeling. Neurocomputing, (142), 48-59. https://doi.org/10.1016/j.neucom.2014.01.057
  71. Zhou, Y., Li, T., Shi, J. ve Quian, Z. (2019). A CEEMDAN and XGBOOST-Based Approach to Forecast Crude Oil Prices. Complexity, (1), 1-15. https://doi.org/10.1155/2019/4392785