在AI股票量化交易中，处理异常数据有以下可行方法。
一是数据识别。可以使用统计方法如基于3倍标准差原则，计算数据的均值和标准差，超出均值加减3倍标准差范围的数据视为异常。也可通过绘制箱线图，超出上下边界的数据定义为异常。还能建立机器学习模型，如孤立森林，对数据的正常模式进行学习，识别偏离模式的数据为异常。
二是异常数据修正。如果异常数据是由于记录错误导致，可查找原始数据源进行修正。对于少量异常值，若其偏离正常数据不严重，可使用插值法，如线性插值或样条插值来估计合理的值。对于时间序列数据，还能用移动平均法，根据前后正常数据计算平均值来替换异常值。
三是异常数据排除。要是异常数据与整体数据差异过大，难以修正，可将其直接排除。不过排除时要谨慎，需分析排除后对数据整体分布和模型训练的影响。如果是小样本数据，排除异常数据可能使数据信息丢失，可考虑将异常数据单独划分出来，作为一个特殊情况在模型中单独处理。