Finanzdaten haben sich zu einer Big Data Umgebung entwickelt, was den Einsatz von aktuellen Methoden des maschinellen Lernens ermöglicht. Die vorliegende Dissertation nutzt die gestiegene Informationsmenge für empirische Forschung in der Finanzwissenschaft und zeigt Anwendungen des maschinellen Lernens auf. Dabei wird zunächst ein Imputationsverfahren für fehlende Finanzdaten vorgestellt, welches auf Large Language Modellen basiert. In einem zweiten Artikel wird der erweiterte Informationsgehalt von hochfrequenten Handelsdaten genutzt, um Fehler in der Bestimmung von Aktienrisiken zu quantifizieren. Der dritte Artikel zeigt, dass Methoden des maschinellen Lernens interpretierbar sein können, wenn Modelle mit Bedacht konzipiert werden. Hierzu dient eine Analyse der Momentum-Anomalie als Beispiel. Abschließend wird mithilfe der Eigenschaft maschineller Methoden nichtlineare Effekte abzubilden ein Maß für erwartete Aktienfehlbewertungen entwickelt.