Mevcut çalışma, finansal zaman serisi tahminlerinde kullanılan çeşitli makine öğrenmesi algoritmalarını inceleyerek, genel bir çerçeve çizmeyi amaçlamaktadır. Çalışmada, finansal zaman serisi tahminlerinde yaygın olarak kullanılan ağaç tabanlı Rastgele Ormanlar (Random Forests, RF), Aşırı Gradyan Artırma (Extreme Gradient Boosting, XGBoost), CatBoost (Categorical Boosting), Hafif Gradyan Artırma Makinesi (Light Gradient Boosting Machine, LightGBM) ve Doğal Gradyan Artırma (Natural Gradient Boosting, NGBoost) modelleri hakkında bilgi verilmektedir. Ardından, girdi değişkenlerin katkısını ölçerek, makine öğrenmesi modellerinin yorumlanabilirliğini arttıran SHAP yaklaşımı açıklanmaktadır. Son olarak, makine öğrenmesi algoritmaları kullanılarak gerçekleştirilen finansal zaman serisi tahminleri, hisse senedi, tahvil ve emtia piyasaları üzerinden tartışılarak, bu modellerin tahmin performansı ve etkililiği gösterilmektedir. Makine öğrenmesi modellerinin hisse senedi ve tahvil piyasalarının yanı sıra, ham petrol, doğal gaz, altın, tarımsal ürünler gibi emtia fiyatlarını tahminde üstün performans gösterdikleri belirtilmektedir. Ayrıca, bu modellerin yeşil enerji hisse senedi ve yeşil tahvil fiyatlarını tahmin etmede etkili oldukları öne sürülerek; yatırım kararları, politika oluşturma ve sürdürülebilir enerji dönüşümü için önemi vurgulanmaktadır. Sonuç olarak yenilikçi makine öğrenmesi modelleri, finansal zaman serisi tahminlerinde oldukça üstün performans göstermekte; tahmin doğruluğu, yorumlanabilirlik ve doğrusal olmayan örüntüleri yansıtabilme gibi avantajlar sunması bakımından önem arz etmektedir.