Predecir con precisión los precios del carbono desempeña un papel vital en la formación de políticas ambientales, en la orientación de estrategias de inversión y en la aceleración del desarrollo de tecnologías bajas en carbono. Sin embargo, los modelos de pronóstico tradicionales a menudo enfrentan desafíos relacionados con la fuga de información y los efectos de límite. Este estudio propone un novedoso mecanismo de descomposición de ventana deslizante extendida (ESWD) para prevenir la fuga de información y mitigar los efectos de límite, mejorando así la calidad de la descomposición. Además, se incorpora una técnica de descomposición empírica multivariante totalmente basada en datos (MEMD) para mejorar aún más las capacidades del modelo. Las operaciones de descomposición parcial, combinadas con estrategias de alta resolución y plena utilización, aseguran la consistencia de los modos. Un análisis empírico del mercado de carbono más grande de China, utilizando ocho indicadores clave de energía, macroeconomía, mercados internacionales y campos climáticos, valida la efectividad del modelo propuesto. En comparación con los modelos tradicionales LSTM y SVR, el modelo híbrido logra mejoras de rendimiento del 66,6% y 23,5% en RMSE para la predicción del precio de cierre, y del 73,8% y 10,8% para la predicción del precio de apertura, respectivamente. La integración adicional de estrategias LSTM y SVR mejora el rendimiento de RMSE en un 82,7% adicional y 8,3% para los precios de cierre, y en un 30,4% y 4,5% para los precios de apertura. La configuración de ventana extendida (EW10) produce mayores ganancias, mejorando RMSE, MSE y MAE en un 11,5%, 35,4% y 23,7% para los precios de cierre, y en un 4,5%, 8,4% y 4,2% para los precios de apertura. Estos resultados subrayan las ventajas significativas del modelo propuesto en la mejora de la precisión de la predicción de precios del carbono y las capacidades de predicción de tendencias.