将随机模型拟合到电力现货价格的一个重要问题是估计一个组件以处理数据中的趋势和季节性。 不幸的是,长期和短期季节性模式的估计程序通常对极端观察非常敏感,称为电价峰值。 可以通过以下方式提高模型的鲁棒性:(a) 使用一些合理的异常值检测程序过滤数据,然后 (b) 对过滤后的数据使用估计和测试程序。 在本文中,我们研究了极端观察的不同处理对模型估计和确定尖峰(异常值)数量的影响。 特别是,我们使用原始数据或过滤数据比较了电力现货价格的季节性和随机分量的估计结果。 我们发现了重要的证据,可以在对异常值进行仔细处理的情况下,对季节性短期和长期成分进行更好的估计。 总体而言,我们的研究结果指出,极端观察的处理可能对这些问题产生重大影响,因此也会对期货和期权合约等电力衍生品的定价产生重大影响。 我们研究的一个附加价值是能源经济学文献中使用的不同过滤技术的排名,表明哪些方法可以用于尖峰识别,哪些不应该用于尖峰识别。