El comercio de carbono ha sido considerado como el mecanismo más efectivo para mitigar las emisiones de carbono. Sin embargo, durante la operación del mercado de comercio de carbono, la competencia entre los participantes del mercado inevitablemente ocurrirá; por lo tanto, la previsión precisa del precio del comercio de carbono (CTP) se ha convertido en un elemento significativo en la formulación de estrategias de competencia. Esta investigación ha establecido un marco híbrido de previsión del CTP que combina la descomposición empírica completa del modo de conjunto con ruido adaptativo (CEEMDAN), el método de entropía de muestra (SE), el algoritmo de enjambre de salpa mejorado (ISSA) y los métodos de máquina de aprendizaje extremo de múltiples núcleos (MKELM) para mejorar la precisión de la previsión. En primer lugar, la secuencia de datos inicial del CTP se desintegra en varias funciones de modo intrínseco (IMFs) y una secuencia residual mediante un método CEEMDAN. En segundo lugar, para ahorrar tiempo de cálculo, se ha utilizado el método SE para reconstruir las IMFs y la secuencia residual en nuevas IMFs. En tercer lugar, las nuevas IMFs se introducen en el modelo MKELM, combinando las funciones de núcleo RBF y poli para utilizar sus superiores habilidades de aprendizaje y generalización. Los parámetros del modelo MKELM se optimizan mediante ISSA, combinando un peso de inercia dinámico y un método de búsqueda local caótica en la SSA para mejorar la velocidad de búsqueda, la precisión de convergencia, así como la capacidad de búsqueda global. Los datos del CTP en Guangdong, Shanghai y Hubei son seleccionados para probar la validez del modelo establecido CEEMDAN-SE-ISSA-MKELM. A través de un análisis comparativo, el modelo establecido CEEMDAN-SE-ISSA-MKELM tiene el mejor rendimiento con los valores más bajos de MAPE y RMSE y el valor más alto de R2, que son 0.76%, 0.53 y 0.99, respectivamente, para Guangdong. Por lo tanto, el modelo presentado se aplicaría ampliamente en la previsión del CTP en el futuro.