铁矿石是重要的国家战略资源。当前世界,中国的铁矿消费数量和进口体量均是最多的。经济一体化时代,国际大宗商品的价格是影响其能否环球规模范围中正常供给的重要因素之一,铁矿石价格的合理预测发现对保障国家战略安全有重要意义,一方面可以为铁矿价格的监测预警提供技术支持,另一方面可以为政府及相关钢铁企业提供一定的决策依据,政府可以提前布局储备战略资源,相关钢铁企业可以在市场中进行对冲规避因原材料价格上涨导致的生产经营风险。商品价格背后的影响因素有着较复杂的物理、经济等过程,价格数据往往有着噪声高、非平稳及非线性等特征。传统基本面方法是常用的,长期必要的,但较难把握住好的动手决策时机,常规技术分析法则大都使用着只能反映价格表象的技术指标,专业机构内部一般不用表象指标来指导决策,一些学者考量选用指标来直接进行价格预测训练是不合理的。此外,部分学者采用的灰色预测或神经网络模型存在易陷入过学习、训练需样本量大等问题。综上,价格发现合理训练特征选取及预测准确率提升仍是有待更好完善解决的问题。针对上述问题,本文提出使用依最小化结构风险原理,对高维数、样本数量小和非线性的数据有较优胜效果的支持向量机回归(Support Vector Regression,SVR)算法进行铁矿价格发现,同时提出采用自适应的互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法进行特征提取,把CEEMD方法分解出的序列项全部作为SVR算法的训练参数,为提升SVR回归预测准确性,结合采用一种提升了局部范围搜索能力的改进灰狼算法(IGWO)优化支持向量机回归参数,构建了最终的IGWO优化的CEEMDSVR铁矿石价格预测模型。经过对大连商品交易所铁矿石数据进行预测,数据分析及和其他模型对比可知,本文设计实现的预测方法效果更好,与传统预测方法相比有准确性优势,可以为铁矿石市场的监测和预警提供技术支持和决策依据。