Neste trabalho propõem-se uma nova classe de modelos híbridos não lineais. No modelo proposto, a não linearidade em média representa-se utilizando um sistema adaptativo de nevro difusão de inferência (ANFIS, por sua sigla em inglês), enquanto a variação se representa usando um componente auto-regressivo heterecedástico condicional. Apresenta-se a formulação matemática deste tipo de modelos e propõem-se um método para sua estimação; adicionalmente, desenvolve-se para o modelo proposto uma estratégia de especificação baseada em uma bateria de provas estatísticas que incluem provas para a especificação dos modelos de regressão com transição suave (STR, por sua sigla em inglês), e a prova de rádio de verosimilitude. Como um caso de estudo, modela-se a dinâmica da série dos câmbios nos câmbios nos preços de feixe nas ações de IBM, a qual utiliza-se comummente como referente na literatura de séries de tempo. Os resultados indicam que o modelo desenvolvido representa melhor que outros modelos de características similares a dinâmica da série estudada.En este trabajo se propone una nueva clase de modelos híbridos no lineales. En el modelo propuesto, la no linealidad en la media se representa usando un sistema adaptativo neurodifuso de inferencia (ANFIS, por su sigla en inglés), mientras la varianza se representa usando una componente autorregresiva heterocedástica condicional. Se presenta la formulación matemática de este tipo de modelos y se propone un método para su estimación; adicionalmente, se desarrolla para el modelo propuesto una estrategia de especificación basada en una batería de pruebas estadísticas que incluyen pruebas para la especificación de los modelos de regresión con transición suave (STR, por su sigla en inglés) y la prueba del radio de verosimilitud. Como un caso de estudio, se modela la dinámica de la serie de los cambios en los precios de cierre de las acciones de IBM, la cual se usa comúnmente como referente en la literatura de series de tiempo. Los resultados indican que el modelo desarrollado representa mejor que otros modelos de características similares la dinámica de la serie estudiada.