Una predicción precisa del precio del comercio de carbono (CTP) es crucial para la toma de decisiones de las partes interesadas relevantes, y también puede proporcionar una referencia para los encargados de formular políticas. Sin embargo, el intervalo de tiempo para el CTP es de un día, lo que resulta en un tamaño de muestra relativamente pequeño de datos disponibles para las predicciones. Al tratar con datos de muestra pequeños, los algoritmos de aprendizaje profundo solo pueden intercambiar una pequeña mejora en la precisión de la predicción a expensas de la eficiencia y el tiempo de computación. En contraste, las configuraciones detalladas de los inputs y parámetros del modelo tradicional a menudo funcionan igual de bien que los algoritmos de aprendizaje profundo. En este contexto, este documento propone un nuevo modelo híbrido de predicción de CTP basado en la descomposición empírica completa del modo de conjunto con ruido adaptativo (CEEMDAN) y un enfoque XGBoost basado en ventanas. Primero, los datos iniciales de CTP se descomponen en múltiples subsecuencias con una volatilidad y aleatoriedad relativamente bajas basadas en el algoritmo CEEMDAN. Luego, la serie de valencia de carbono descompuesta y las covariables se someten a un procesamiento con ventanas para convertirse en los inputs del modelo XGBoost. Finalmente, la universalidad del modelo propuesto se verifica a través de estudios de casos de cuatro mercados de comercio de emisiones de carbono con diferentes características modales, y la superioridad del modelo propuesto se verifica al comparar con otros siete modelos. Los resultados muestran que el error de predicción del algoritmo XGBoost(W-b) propuesto se reduce en un 4.72%~81.47% en comparación con otros algoritmos de predicción. Además, la introducción de CEEMDAN reduce aún más el error de predicción en un 25.24%~89.28% sobre la base de XGBoost(W-b).