Fundamentale Faktormodelle haben sich in der empirischen Finanzwissenschaft zu einem sehr erfolgreichen Instrument entwickelt. Diese Faktormodelle bilden die erwarteten Aktienrenditen über Ladungen/Exposures zu gemeinsamen, marktweiten Risikofaktoren ab. Die Risikofaktoren werden durch nach Unternehmens-Merkmalen sortierten Portfolios gebildet, die zu so genannten "Marktanomalien" aggregiert werden. Bis heute wurden bereits umfangreiche Forschungsarbeiten durchgeführt, die ein ganzes Arsenal neuer Marktanomalien aufgedeckt haben. Zum Beipiel untersuchen Hou et al. (2020) einen Datensatz von 452 Marktanomalien in einem ihrer Artikel. Marktanomalien werden in der Regel anhand von absoluten Aktienkennzahlen wie der Marktkapitalisierung/Größe oder dem Buch-Kurs-Verhältnis von Einzelaktien gebildet. Dieses Projekt dient der interdisziplinären Kombination von Finanzmarktforschung mit Datenwissen-schafen und maschinellem Lernen- Ziel ist die Erschaffung von lokalen/relativen Maßen, die dann der Konstruktion von neuen Marktanomalien dienen. Erste Ergebnisse der Untersuchung zeigen, dass ein Beispiel eines solchen lokalen Maßes, nämlich: 'Local Factor Loading Uncertainty' in der Cross-Section von Aktienrenditen als Risiko bepreist ist. Dieses Ergebnis steht im Einklang mit den Erkenntnissen von Armstrong et al. (2013) und Hollstein et al. (2020). Ziel dieses Projektes ist, dieses bedeutende Ergebnis zu nutzen und Implikationen für die Asset Pricing Forschung abzuleiten. Zum Abschluss dieses Projekts wird, zusätzlich zu einer wissenschaftlichen Arbeit eine einzigartige Software-Toolbox in Python bereitgestellt, die visuelle Interpretationen der Ergebnisse ermöglicht.