Ha sido comúnmente aceptado que muchas series temporales presentan características de no linealidad que dificultan su proceso de modelación, y para las cuales no hay suficientes leyes físicas o económicas que permitan formular modelos paramétricos que describan su evolución en el tiempo, ya sea para fines de modelamiento o predicción. En este sentido, los modelos no paramétricos tales como las redes neuronales artificiales, han venido ganando terreno en su aplicación a la solución de este tipo de problemas, ya que permiten explotar la información contenida en los datos sin que se haga necesario que el experto realice suposiciones en cuanto al tipo de relaciones existentes entre la variable dependiente y las variables explicativas. Particularmente, modelos como las redes neuronales artificiales, han sido tradicionalmente usados para describir la no linealidad en media, asumiendo que la varianza de los errores de predicción es constante; sin embargo, es bien sabido que las series temporales pueden exhibir igualmente no linealidades relacionadas con la varianza de los errores; y por tanto, es posible combinar modelos que describan la no linealidad en la media, con la no linealidad en la varianza, tales como es realizado en los modelos STR-GARCH o STR-STRGARCH. Consecuentemente con lo anterior, es posible entonces usar modelos de redes neuronales para describir la no linealidad en la media o en la varianza, e inclusive ambas simultáneamente, obteniéndose una clase de modelos no lineales, que aunque su existencia ha sido prevista en la literatura, se desconocen sus propiedades así como también estrategias para su especificación y estimación eficiente de parámetros. Particularmente, este trabajo se centra en el uso de los perceptrones multicapa (MLP) para describir la no-linealidad de una serie temporal combinados con modelos tradicinales en la descripción de la no-linealidad en la varianza; y específicamente en investigar los modelos MLP-ARCH, MLP-GARCH e MLP-IGARCH con el fin de responder las siguientes preguntas de investigación: ¿Cuáles son las propiedades de esta nueva clase de modelos? ¿Pueden las técnicas convencionales de optimización, ser usadas para la estimación de sus parámetros? ¿Cuáles serían los procedimientos para especificar esta clase de modelos? ¿Qué ventajas se obtienen al usar esta clase de modelos sobre otros comúnmente usados, desde un punto de vista práctico, a nivel de modelado y predicción de una serie temporal real?. Igualmente, se investigará si los perceptrones multicapa pueden ser usados para describir la no linealidad en varianza, al ser combinados con modelos AR tradicionales que describen el valor esperado de la series