Hisse senedi fiyat tahminleri, yatırımcılar ve finansal analistler için büyük bir önem taşımaktadır. Finansal piyasaların karmaşık ve dinamik yapısı, doğru tahminlerin yapılmasını hem zorlaştırmakta hem de daha değerli hale getirmektedir. Doğru tahminler, yatırımcıların risklerini minimize etmelerine, portföylerini daha etkin bir şekilde yönetmelerine ve stratejik kararlar almalarına olanak tanımakta ve bu da yatırımcılara piyasada rekabet avantajı sağlamaktadır. Özellikle volatilitenin yüksek olduğu dönemlerde doğru tahminler, yatırımcıların büyük kayıplar yaşamasını önleyebilir ve daha istikrarlı kazançlar elde etmelerine yardımcı olabilmektedir. Günümüzde gelişen teknoloji ve veri analizi yöntemleri, hisse senedi fiyat tahminlerinde önemli bir rol oynamaktadır. Bu çalışmada, Apple firmasına ait hisse senedi fiyatlarını tahmin etmek için üç farklı model kullanılmıştır: GRU (Gated Recurrent Unit), LSTM (Long Short-Term Memory) ve XGBoost (Extreme Gradient Boosting). Her bir model, zaman serisi verilerini analiz etmek ve gelecekteki fiyat hareketlerini tahmin etmek için özel olarak tasarlanmıştır. Çalışma, Python programlama dili kullanılarak Jupyter Notebook ortamında gerçekleştirilmiştir. Modellerin performanslarını en üst düzeye çıkarmak için hiperparametre ayarlamaları yapılmış ve her model için optimal parametreler belirlenmiştir. Bu süreçte, modellerin doğruluk oranları, hata oranları ve genel performansları karşılaştırılmıştır. Analizler sonucunda, LSTM modelinin GRU ve XGBoost modellerine kıyasla daha doğru ve verimli tahminler sağladığı görülmüştür. LSTM modelinin üstün performansının, modelin uzun vadeli bağımlılıkları yakalayabilme yeteneği ile ilişkili olduğun söylenebilmektedir. LSTM, özellikle zaman serisi verilerinde geçmişe yönelik önemli bilgileri hafızasında tutarak daha isabetli tahminler yapabilmektedir. Bu özellik, finansal veriler gibi dalgalı ve karmaşık veri setlerinde büyük bir avantaj sağlamaktadır. GRU modeli de benzer bir yapıya sahip olmakla birlikte, LSTM kadar uzun vadeli bağımlılıkları yakalama konusunda sınırlı kalmıştır. XGBoost ise güçlü bir makine öğrenmesi algoritması olmasına rağmen, zaman serisi verilerindeki ardışıklığı yakalamada derin öğrenme modelleri kadar etkili olamamıştır. Sonuç olarak, bu çalışmada elde edilen bulgular, hisse senedi fiyat tahminlerinde LSTM modelinin potansiyelini ortaya koymaktadır. LSTM modeli, yalnızca Apple hisse senedi için değil, genel olarak finansal veri analizlerinde de etkin bir şekilde kullanılabilir. Bu sonuçlar, finansal piyasaların daha doğru analiz edilmesi ve yatırım stratejilerinin daha sağlam temellere oturtulması açısından önemli bir katkı sağlamaktadır. Gelecekte yapılacak çalışmalarda, farklı şirketlerin hisse senetleri üzerinde benzer modellerin performansları incelenerek, daha geniş bir perspektif elde edilebilir. Ayrıca, model kombinasyonları ve hibrit yaklaşımlar kullanılarak tahmin doğrulukları daha da artırılabilir.