---
type: "Akademik Makale Analizi"
title: "LightGBM Algoritması Kullanılarak TEFAS Üzerindeki Yatırım Fonu Fiyatlarının Tahmin Edilmesi"
description: "Finansal piyasalarda yatırım fonu fiyatlarının gelecekteki hareketlerini öngörmek, hem bireysel hem de kurumsal yatırımcılar için portföy optimizasyonu ve risk yönetimi açısından kritik bir gereksinimdir. Geleneksel istatistiksel modeller ve temel analiz yöntemleri, modern finansal zaman serilerinde"
resource: "https://makaleanalizi.com/sosyal-bilimler/isletme-ekonomi-ve-iletisim/lightgbm-algoritmasi-kullanilarak-tefas-uzerindeki-yatirim-fonu-fiyatlarinin-tahmin-edilmesi"
doi: "10.34248/bsengineering.1691043"
authors: ["Oktay Ölmez"]
citation: "Ölmez, O. (2025). Forecasting Mutual Fund Prices on TEFAS Using LightGBM. Black Sea Journal of Engineering and Science, 8(4), 1134-1139. https://doi.org/10.34248/bsengineering.1691043"
publicationType: "computational"
discipline: "Sosyal Bilimler"
subDiscipline: "İşletme, Ekonomi ve İletişim"
evidenceCount: 12
tags: ["Makine öğrenmesi", "LightGBM", "TEFAS"]
timestamp: "2026-10-17T22:39:05.705Z"
---

# LightGBM Algoritması Kullanılarak TEFAS Üzerindeki Yatırım Fonu Fiyatlarının Tahmin Edilmesi

Özgün başlık: Forecasting Mutual Fund Prices on TEFAS Using LightGBM
DOI: https://doi.org/10.34248/bsengineering.1691043
Künye (APA 7): Ölmez, O. (2025). Forecasting Mutual Fund Prices on TEFAS Using LightGBM. Black Sea Journal of Engineering and Science, 8(4), 1134-1139. https://doi.org/10.34248/bsengineering.1691043

Bilim alanı: [Sosyal Bilimler](/okf/sosyal-bilimler/index.md) › İşletme, Ekonomi ve İletişim

## Kısa cevap

**TEFAS yatırım fonu fiyat tahminlerinde LightGBM algoritmasinin hata payi ve tahmin basarisi nasıldir?**

Bu çalışmada, TEFAS üzerinde işlem gören AFT ve AFA fonları için LightGBM modeliyle yapılan tahminlerde sırasıyla 0.02418 ve 0.02486 RMSE hata oranlarına ulaşılmıştır. Bulgular, algoritmanın finansal zaman serilerindeki doğrusal olmayan örüntüleri başarıyla yakalayabildiğini ve 1000 yinelemeli simülasyonlarla tahmin istikrarını kanıtladığını göstermektedir.

- LightGBM algoritmasi TEFAS fon fiyatlarinin tahmininde yüksek hassasiyet ve düşük hata payi (yaklaşik 0.024 RMSE) sergilemektedir.
- Model başarısında sadece geçmiş fiyatlar değil, dolar kuru ve altın fiyatı gibi makroekonomik değişkenlerin entegrasyonu kritik rol oynamaktadır.
- Finansal tahminlerin guvenilirligini artirmak için tekil model sonuçları yerine 1000 yinelemeli ortalama tahminlerin kullanılmasi daha sağlıklidir.

# Alan bağlamı

Finansal piyasalarda yatırım fonu fiyatlarının gelecekteki hareketlerini öngörmek, hem bireysel hem de kurumsal yatırımcılar için portföy optimizasyonu ve risk yönetimi açısından kritik bir gereksinimdir. Geleneksel istatistiksel modeller ve temel analiz yöntemleri, modern finansal zaman serilerindeki karmaşık doğrusal olmayan ilişkileri ve dinamik yapıları yakalamakta yetersiz kalabilmektedir. Bu doğrultuda çalışma, Türkiye Elektronik Fon Alım Satım Platformu (TEFAS) ölçeğinde gelişmiş makine öğrenmesi algoritmalarından LightGBM'in tahmin başarısını inceleyerek alandaki yöntemsel arayışlara odaklanmaktadır.

# Akademik özet

Finansal piyasaların sürekli gelişen ve karmaşıklaşan yapısı, yatırımcıların varlık yönetimi ve riskten korunma stratejilerinde geleceğe dönük doğru tahminler yapmasını zorunlu kılmaktadır. Türkiye Elektronik Fon Alım Satım Platformu (TEFAS), yatırımcıların farklı portföy yönetim şirketlerine ait yatırım fonlarına tek bir hesap üzerinden erişip işlem yapmalarına olanak tanıyan şeffaf ve merkezi bir ekosistem sunmaktadır. Bununla birlikte, yatırım fonu fiyatlarının öngörülmesi; dayanak varlıkların performansı, piyasa duyarlılığı, makroekonomik göstergeler ve fona özgü nitelikler gibi çok sayıda değişkenden etkilenen yüksek oynaklıklı bir süreçtir. Geleneksel istatistiksel zaman serisi modelleri ve temel analiz yaklaşımları, modern finansal verilerin içerdiği doğrusal olmayan karmaşık bağımlılıkları ve ani piyasa değişimlerini yakalamakta sıklıkla sınırlı kalmaktadır. Bu durum, veri odaklı ve karmaşık kalıpları öğrenebilen gelişmiş makine öğrenmesi algoritmalarının finansal öngörü süreçlerine entegre edilmesini gerekli kılmaktadır.

Bu doğrultuda ele alınan araştırma, TEFAS platformunda işlem gören seçili yatırım fonlarının fiyat hareketlerini gradyan artırma tabanlı LightGBM (Light Gradient Boosting Machine) algoritması vasıtasıyla tahmin etmeyi hedeflemektedir. Veri seti kapsamında, 23 Nisan 2025 tarihine kadar olan son beş yıllık tarihsel veriler toplanarak Pandas DataFrame yapısında düzenlenmiştir. Yöntemsel süreçte zaman serisinin zamansal dinamiklerini modele aktarmak amacıyla gecikmeli fiyat değerleri (lagged values), kısa vadeli fiyat değişim yüzdeleri ile 5 ve 13 günlük basit hareketli ortalamalar (SMA) türetilmiştir. Ayrıca ABD Doları kuru (USD/TRY) ve gram altın fiyatları dışsal değişken olarak modele dahil edilmiştir. Modelin değerlendirilmesinde zaman serisi ayrımı (time-series split) kullanılarak veri sızıntısının önüne geçilmiş; LGBMRegressor modeli MAE minimizasyonunu hedefleyen 'regression_l1' kaybı ve 'mae' metriği ile konfigüre edilerek 1000 ağaç iterasyonu ile eğitilmiştir.

Uygulama aşamasında TEFAS üzerinde işlem gören AFT ve AFA kodlu yatırım fonları özelinde vaka analizleri gerçekleştirilmiştir. Sabit bir rastgele tohum (seed=42) ile yürütülen tekil çalıştırmada, AFT fonu için test kümesinde Kök Ortalama Kare Hata (RMSE) değeri 0,02418357 olarak ölçülmüş; 24 Nisan ve 25 Nisan 2025 tarihlerine ait gerçek fiyatlar (0,464522 ve 0,494151) karşılığında sırasıyla 0,48596486 ve 0,48180393 tahmin değerleri üretilmiştir. Rastgeleliğin etkisini sönümlemek amacıyla yapılan 1000 yinelemeli simülasyonda ise AFT fonu ortalama tahmin değerleri 0,48851891 ve 0,48317624 olarak gerçekleşmiştir. AFA fonu için yapılan tekil çalıştırmada test RMSE değeri 0,02486311 bulunurken, 24 Nisan ve 25 Nisan gerçek fiyatlarına (0,663933 ve 0,694149) karşılık tekil tahminler 0,68089192 ve 0,68806604; 1000 çalıştırma ortalamaları ise 0,68074949 ve 0,68883918 olarak hesaplanmıştır.

Elde edilen ampirik bulgular, LightGBM algoritmasının TEFAS yatırım fonu fiyatlarındaki zamansal eğilimleri ve ilişkileri makul bir hata payı dahilinde öğrenebildiğini göstermektedir. Araştırma, tekil model çalıştırmaları ile çoklu rastgele tohum simülasyonlarının karşılaştırılmasının, finansal zaman serilerindeki tahmin istikrarını ve modelin güvenilirliğini değerlendirmede hayati bir rol oynadığını ortaya koymaktadır. Çoklu çalıştırma ortalamalarının rastgele varyansı azaltarak daha kararlı kestirimler sunduğu vurgulanmaktadır. Literatür taraması açısından bu çalışma, Türkiye yerel fon piyasasına odaklanarak LightGBM'in finansal öngörü gücünü TEFAS özelinde somutlaştırmakta ve gelecek araştırmalar için enflasyon, faiz oranları gibi makroekonomik değişkenler ile hiperparametre optimizasyonu entegrasyonuna temel oluşturmaktadır.

# Araştırmanın amacı

Bu çalışma, Türkiye Elektronik Fon Alım Satım Platformu'nda (TEFAS) işlem gören yatırım fonlarının fiyat hareketlerini LightGBM algoritması ile tahmin etmeyi ve yöntemin finansal zaman serilerindeki öngörü performansını değerlendirmeyi amaçlamaktadır.

# Yöntem ve tasarım

Çalışmada, finansal zaman serilerinin doğrusal olmayan karmasik yapisini modellemek amaciyla Microsoft tarafindan geliştirilen LightGBM (Light Gradient Boosting Machine) algoritmasi tercih edilmiştir. Bu yöntem, özellikle yüksek boyutlu verilerde hiz ve düşük bellek kullanimi sağlayan GOSS (Gradient-based One-Side Sampling) ve EFB (Exclusive Feature Bundling) gibi teknikleri kullanarak karar agaclari üzerinden tahminde bulunur.

# Bulgular ve önermeler

1. LightGBM modelinin AFT fonu için yapılan tekil çalıştırmasında, test seti üzerindeki fiyat hareketlerini öngörme başarısı 0.02418357 RMSE değeriyle sonuçlanmıştır. Bu sonuç, algoritmanın fon fiyatlarındaki kısa vadeli dalgalanmaları yüksek hassasiyetle modelleyebildiğini kanıtlamaktadır.
2. AFA fonu üzerinde yapılan testlerde modelin 0.02486311 hata oranına (RMSE) ulaştığı gözlemlenmiştir. Her iki fon için elde edilen benzer hata seviyeleri, modelin farklı varlık gruplarına sahip fonlar üzerinde tutarlı bir tahmin kapasitesi sergilediğine işaret etmektedir.
3. Modelin rastgele tohumlarla 1000 kez yinelenmesi sonuçunda elde edilen ortalama tahmin değerleri, tekil çalıştırmalara göre daha kararlı sonuçlar vermiştir. AFT fonu için 24 Nisan 2025 tahmini tek seferde 0.4859 iken, 1000 çalıştırma ortalamasında 0.4885 olarak kaydedilmiştir.
4. Yatırım fonu fiyatlarını etkileyen dışsal değişkenler olarak modele dâhil edilen dolar kuru ve altın fiyatları, LightGBM'in piyasa duyarlılığını yakalamasına yardımcı olmuştur. Bu değişkenlerin varlığı, modelin sadece geçmiş fiyatlara değil makroekonomik koşullara da tepki vermesini sağlamıştır.

# Yazarın tartışması

Bulgular, LightGBM algoritmasinin finansal zaman serilerindeki oynakligi ve doğrusal olmayan ilişkileri basariyla modelledigini göstermektedir. Hem AFT hem de AFA fonlari için elde edilen 0.024 seviyesindeki düşük RMSE degerleri, makine öğrenmesi yaklaşiminin geleneksel istatistiksel yöntemlerin zorlandigi karmasik desenleri cozebildigine isaret etmektedir.

Yazar, tahmin basarisinin temelini özellik muhendisligi süreçine bağlamaktadir. Gecikmeli fiyatlarin ve hareketli ortalamalarin modele girdi olarak sunulmasi, LightGBM'in verilerdeki zamansal bagimliliklari kavramasini sağlarken; dolar kuru ve altin fiyati gibi disal değişkenler, modelin genel piyasa konjonkturunden kopmasini engellemistir.

Literatürle kurulan ilişkide, çalışmanın sonuçları LightGBM'in sadece hisse senedi veya kripto para piyasalarinda degil, yatırım fonlari gibi daha kurumsal yonetilen varliklarda da etkili oldugunu kanıtlamaktadir. Özellikle COVID-19 donemi gibi stresli zamanlarda dayaniklilik gösteren boosting modellerine dair önceki çalışmalarla uyumlu bir istikrar gozlenmistir.

Tartisma bolumunde vurgulanan bir diğer kritik nokta ise modelin tohum (seed) değişimine karsi duyarliligidir. Tekil çalıştirmalarda ortaya cikabilecek rastgelelik riskini bertaraf etmek için yapilan 1000 yinelemeli analiz, daha sağlam ve guvenilir tahminlerin ancak ortalamalar üzerinden kurulabilecegini teorik olarak desteklemistir.

# Yazarın sonucu

Araştırma, LightGBM algoritmasinin TEFAS fon piyasasindaki fiyat hareketlerini düşük hata paylariyla öğrenebildigini ve tahmin edebildigini ortaya koymaktadir. Elde edilen RMSE degerlerinin düşüklugu ve 1000 yinelemeli analizlerde gozlenen tahmin istikrari, bu yaklaşimin yatırım kararlarini optimize etmek ve portfoy riskini yonetmek isteyen kurumsal ve bireysel yatırımcilar için güçlü bir arac olabilecegini göstermektedir.

# Literatürdeki işlevi

Bu çalışma, Türkiye finansal piyasalarının özgün bir bileşeni olan TEFAS platformundaki yatırım fonlarının fiyat hareketlerini modellemek üzere LightGBM algoritmasının uygulanabilirliğini test ederek literatürde ampirik bir köprü kurmaktadır. Geleneksel modellerin aksine, yüksek boyutlu ve doğrusal olmayan finansal zaman serilerini işleme kapasitesiyle öne çıkan bu çalışma, makine öğrenmesi tekniklerinin yerel fon piyasasına uyarlanmasında rehberlik etmektedir. Tahmin başarısını sadece içsel verilerle değil, döviz ve altın gibi dışsal piyasa göstergeleriyle destekleyerek finansal öngörü süreçlerinde çok değişkenli yaklaşımın önemini vurgulamaktadır.

Önceki çalışmalarla ilişkisi: Yazar, makinesel öğrenme algoritmalarının finansal öngörüdeki başarısını Hartanto vd. (2023) ve Sun vd. (2020) gibi güncel çalışmaların bulgularıyla ilişkilendirerek temellendirmektedir. Bu çalışmaların hisse senedi ve kripto para birimleri üzerindeki başarılarını, yatırım fonu piyasasına genelleyerek literatürdeki yöntemsel geçerliliği genişletmektedir. Özellikle karmaşık bağımlılıkların yakalanması noktasında hibrit modelleri öneren Guo vd. (2021) ve Tian vd. (2022) ile paralellik kurarken, LightGBM'in tekil performansının da karmaşık piyasa dinamiklerinde rekabetçi bir alternatif olduğunu ortaya koymaktadır.

Literatür taramasına katkısı: Literatür taraması yapan araştırmacılar için bu çalışma, bir tahmin modelinin kararlılığını ölçmek amacıyla kullanılan 1000 yinelemeli analiz yöntemiyle önemli bir metodolojik katkı sunmaktadır. Sadece bir tahmin sonuçu üretmek yerine, rastgele tohumların tahmin üzerindeki varyansını raporlayarak finansal tahmin çalışmalarında model güvenilirliğinin nasıl raporlanması gerektiğine dair bir standart önermektedir. Ayrıca, TEFAS verilerinin işlenmesi, özellik mühendisliği ve dışsal faktörlerin modele entegrasyonu konularında literatüre somut bir uygulama çerçevesi kazandırarak yöntemsel çeşitliliği artırmaktadır.

# Tez ve makale araştırmalarında kullanım

- **Geleneksel istatistiksel yöntemler finansal zaman serilerindeki doğrusal olmayan karmaşık desenleri yakalamakta yetersiz kalmaktadır.** — Makalede geleneksel analizlerin limitlerine yapılan vurgu, makine öğrenmesi gerekliliğini savunmak için referans verilebilir.
- **Finansal regresyon modellerinde hata payını minimize etmek için MAE bazlı regression_l1 hedef fonksiyonu tercih edilebilir.** — Çalışmanın model konfigürasyonu bölümündeki parametre seçimleri, benzer bir metodoloji kurgulayan tezlerde teknik gerekçe olarak sunulabilir.
- **Makine öğrenmesi modellerinde tekil tahminler yerine rastgele tohumların ortalamasını almak tahmin kararlılığını artırır.** — Yazarın 1000 yinelemeli analiz sonuçu elde ettiği MPV değerleri, model stabilitesinin tartışıldığı bölümlerde kanıt olarak kullanılabilir.

# Türetilebilir araştırma soruları

- **Enflasyon ve GSYİH büyüme oranları modele dahil edildiğinde LightGBM'in tahmin hatası istatistiksel olarak anlamlı düzeyde azalır mı?**
  - Desen: Makaledeki 5 yıllık veri setine TCMB ve TÜİK üzerinden alınan aylık makro veriler eklenir. Örneklem büyüklüğü güç analiziyle belirlenir; kontrol grubu olarak sadece fiyat verisi kullanan temel model ile karşılaştırma yapılır.
  - Gerekçe: Yazarın sonuç bölümünde belirttiği makroekonomik göstergelerin (enflasyon, faiz) modele eklenmesi yönündeki gelecek araştırma çağrısına dayanmaktadır.
- **Zamansal bağımlılıkları yakalayan LSTM ile tabular veride güçlü olan LightGBM'in birleşimi RMSE değerlerini iyileştirir mi?**
  - Desen: Veri seti 2020-2025 dönemini kapsayacak şekilde düzenlenir. LSTM katmanı zamansal özellikleri çıkarırken LightGBM son tahmini yapar. Model başarısı Diebold-Mariano testi ile standart LightGBM ile kıyaslanır.
  - Gerekçe: Metin içinde Guo vd. (2021) ve Tian vd. (2022) çalışmalarına atıfla belirtilen hibrit mimarilerin avantajlı olabileceği önermesinden türetilmiştir.
- **Bayesian optimizasyon yöntemi ile belirlenen hiperparametreler, yazarın manuel olarak belirlediği setten daha düşük RMSE üretir mi?**
  - Desen: Optuna veya benzeri bir kütüphane kullanılarak n_estimators, learning_rate ve feature_fraction gibi parametrelerin uzayı taranır. 1000 yinelemeli çapraz doğrulama ile sonuçlar doğrulanır.
  - Gerekçe: Yazarın gelecek araştırmalar için önerdiği daha kapsamlı hiperparametre ayarı ve optimizasyon ihtiyacından yola çıkılmıştır.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | This paper investigates the application of the Light Gradient Boosting Machine (LightGBM) algorithm for predicting the prices of mutual funds traded on the Türkiye Electronic Fund  |
| ev-s-1 | LightGBM for Financial Time Series Prediction | 2 | — | Light Gradient Boosting Machine (Ligh tGBM), an innovative framework developed by Microsoft, has emerged as a particularly efficient and effective GBM variant. |
| ev-s-2 | AFT mutual fund | 4 | — | For the AFT mutual fund, a single execution of the model with a fixed random seed yielded a Root Mean Squared Error (RMSE) of 0.02418357 |
| ev-s-3 | AFA mutual fund | 5 | — | For the AFA mutual fund, a single execution of the LightGBM model with a fixed random seed yielded a Root Mean Squared Error (RMSE) of 0.02486311 |
| ev-s-4 | Conclusion and Future Work | 5 | — | The averaged predictions are considered more robust and reliable indicators of the model's true forecasting capability. |
| ev-s-5 | Conclusion and Future Work | 5 | — | The RMSE values obtained for both funds indicated a reasonable level of prediction error, suggesting tha t LightGBM can effectively learn from the historical data to forecast futur |
| ev-l-1 | Abstract | 1 | — | This paper investigates the application of the Light Gradient Boosting Machine (LightGBM) algorithm for predicting the prices of mutual funds traded on the Türkiye Electronic Fund  |
| ev-l-2 | Materials and Methods | 3 | — | Recognizing that external factors can influence mutual fund prices, the exchange ra te of the US Dollar ( usd ) and the price of gold ( gold ) are included directly into the featur |
| ev-l-3 | Conclusion and Future Work | 5 | — | Furthermore, the analysis of predictions from a single model run versus the average predictions over 1000 runs with different random seeds highlighted the importa nce of assessing  |
| ev-l-4 | Conclusion and Future Work | 5 | — | incorporating a wider range of potentially influential features could improve model performance. This includes macroeconomic indicators specific to Türkiye (e.g., inflation rates,  |
| ev-l-5 | LightGBM for Financial Time Series Prediction | 2 | — | Guo, Li, and Xu (2021) proposed an LSTM-LightGBM hybrid model for predicting stock price rise and fall, where LSTM captured temporal dependencies and LightGBM further processed the |
| ev-l-6 | Conclusion and Future Work | 5 | — | more extensive hyperparameter tuning using techniques like grid search, random search, or Bayesian optimization could potentially lead to further improvements in model accuracy |

# İlgili kavramlar

- [Öğretmenlerde Mesleki Adanmışlığın Tükenmişliği Azaltıcı Etkisi: İşe Adanmışlık ve Psikolojik Sermayenin Aracılık Rolleri](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/ogretmenlerde-mesleki-adanmisligin-tukenmisligi-azaltici-etkisi-ise-adanmislik-ve-psikolojik-sermayenin-aracilik-rolleri.md)
- [COVID-19 ve Sosyal Medya: Kutuplaşmanın Ötesinde Bir Spektrum Analizi Olarak Twitter Elitleri Ağı](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/covid-19-ve-sosyal-medya-kutuplasmanin-otesinde-bir-spektrum-analizi-olarak-twitter-elitleri-agi.md)
- [Düşük Maliyetli Havayollarının Filo Planlaması için Uçak Seçimi Karar Destek Modeli](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/dusuk-maliyetli-havayollarinin-filo-planlamasi-icin-ucak-secimi-karar-destek-modeli.md)
- [Havayolu İş Modeli ve Yönetiminde Stratejik Dönüşüm: Düşük Maliyetli Modellerden Hibrit Yapılara](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/havayolu-is-modeli-ve-yonetiminde-stratejik-donusum-dusuk-maliyetli-modellerden-hibrit-yapilara.md)
- [Denetimli vergi uyumu ve kaçınma süreçlerinin mekansal evrimsel oyun perspektifiyle incelenmesi](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/denetimli-vergi-uyumu-ve-kacinma-sureclerinin-mekansal-evrimsel-oyun-perspektifiyle-incelenmesi.md)
- [Girişimciliğin İstihdama Etkisi: Türkiye İçin Ekonometrik Bir Araştırma](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/girisimciligin-istihdama-etkisi-turkiye-icin-ekonometrik-bir-arastirma.md)
- [1830-1840 Yılları Arasında Osmanlı Devleti'nin Küresel Ekonomiye Entegrasyonu: İç ve Dış Dinamiklerin Analizi](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/1830-1840-yillari-arasinda-osmanli-devletinin-kuresel-ekonomiye-entegrasyonu-ic-ve-dis-dinamiklerin-analizi.md)
- [Çin'de Turizm Hareketliliğinin Turizm Ekonomik Büyümesine Katkısı: Mekansal Panel Veri ve LMDI Ayrıştırma Analizi](/okf/sosyal-bilimler/isletme-ekonomi-ve-iletisim/cinde-turizm-hareketliliginin-turizm-ekonomik-buyumesine-katkisi-mekansal-panel-veri-ve-lmdi-ayristirma-analizi.md)

# Şeffaflık

- Analiz tarihi: 2026-10-17T22:39:05.705Z
- Kanıt sayısı: 12
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/sosyal-bilimler/isletme-ekonomi-ve-iletisim/lightgbm-algoritmasi-kullanilarak-tefas-uzerindeki-yatirim-fonu-fiyatlarinin-tahmin-edilmesi