Hisse senedi piyasaları, doğrusal olmayan ve karmaşık yapısı nedeniyle yatırımcılar için tahmin edilmesi güç bir alan olmayı sürdürmektedir. Finansal zaman serilerinin ani fiyat hareketlerine açık olması ve karmaşık örüntülere sahip olması, istatistiksel yöntemlerin tahmin performanslarını da etkilemektedir. Bu nedenle finansal riskleri minimize ederek yatırım getirilerini artırmak ve tutarlı tahminlerde bulunmak için gelişmiş modellerin kullanılması oldukça önemli hale gelmiştir.

Bu çalışmanın amacı, doğrusal olmayan ve uzun dönemli bağımlılıklar içeren sıralı verilerin analizinde derin öğrenme yöntemlerinin performanslarını karşılaştırmaktır. Bu amaçla 2015-2025 yılları arasındaki BIST 100 endeksinin günlük kapanış fiyatları için Uzun-Kısa Süreli Bellek (LSTM) ve Zamansal Evrişimli Ağ (TCN) mimarileri tasarlanmıştır. Çalışmada Hyperband algoritması ile hiperparametre optimizasyonu gerçekleştirilmiş ve modellerin tahmin performansları RMSE, MAE ve MAPE hata ölçütleri üzerinden değerlendirilmiştir. Elde edilen bulgular, her iki modelin de BIST 100 endeksinin uzun vadeli bağımlılıklarını başarılı biçimde yakalayabildiğini göstermektedir. Ancak hata metrikleri incelendiğinde TCN mimarisine göre elde edilen sonuçların LSTM’ye göre daha düşük hata değerleri ürettiği belirlenmiştir. Özellikle ani piyasa değişimlerine ve trend dönüşlerine TCN mimarisinin daha iyi uyum sağladığı ve daha isabetli şekilde tahmin ettiği saptanmıştır. Bu bulgular, TCN mimarisinin finansal zaman serisi tahmininde doğrusal olmayan dinamikleri modellemede güçlü ve yenilikçi bir alternatif sunduğunu göstermektedir.