Gelişen teknolojiler sayesinde günümüzde bilgisayarların gücü artmış ve bununla birlikte farklı amaçlara hizmet eden birçok algoritma geliştirilmiştir. Bu algoritmalar birçok alanda olduğu gibi finans alanında da sıkça kullanılmakta ve karar vermenin farklı boyutlarında destekleyici bir rol üstlenmektedir. Özellikle ortaya çıkması muhtemel durumların önceden öngörülmesinin hayati önem taşıdığı borsa işlemlerinde tahmin yöntemlerine sıkça başvurulmaktadır. Bu çalışmada Yahoo Finans üzerinden elde edilen S&P 500 endeksine ait veriler kullanılarak derin öğrenme ve sığ öğrenme yöntemleri yardımıyla geleceğe yönelik fiyat tahminleme çalışması gerçekleştirilmiştir. Bu bağlamda 12.08.2000 ile 13.8.2020 tarihleri arasındaki günlük fiyat verileri ilk 19 sene (veri setinin %95'i)eğitim, son 1 sene (ver setinin %5'i) test olacak şekilde ayrılarak uzun kısa süreli bellek (LSTM) ve çok katmanlı algılayıcılar (MLP) yöntemleri tahmin gerçekleştirilmiştir. Eğitim, test ve tüm veri kök ortalama karesel hatalarının LSTM ağı için sırasıyla 17.3, 65.3 ve 22 dolar, MLP ağı için sırası ile 16.1,61.2 ve 20.6 dolar bulunmuştur. Bu da kullanılan her iki yöntemde elde edilen eğitim ve test hatalarının birbirine yakın sonuçlar verdiğini ve bu yöntemlerin tahmin çalışmaları için uygun seçenekler olduğunu göstermektedir.