在股票量化交易里，处理数据缺失值和异常值对提高模型准确性至关重要。对于缺失值，有以下处理方法：一是删除法，如果缺失的数据量较少且不影响整体数据结构，可以直接删除包含缺失值的记录；二是填充法，简单的可以用均值、中位数或众数来填充，复杂些的可以使用插值法，根据相邻数据的值来估算缺失值。

对于异常值，可采用以下方式应对：首先是识别，可使用统计方法，如基于标准差，如果数据点偏离均值超过一定倍数的标准差，就可能是异常值；也可借助箱线图，超出上下边界的数据点视为异常。识别后，一是修正，若异常值是由数据录入错误导致，可根据实际情况修正；二是删除，对于与整体数据趋势严重不符且无合理原因的异常值，直接删除；三是替换，用合理的值如均值、边界值等来替换异常值。

在处理过程中，要先对数据进行探索性分析，了解数据特征和分布，再选择合适方法。而且处理后要对模型进行评估，对比处理前后的模型表现，不断优化处理方式，以提升股票量化交易模型的准确性。