Este artículo propone una variante de un modelo de duración condicional estocástica de umbral (TSCD) para datos financieros a nivel de transacción. Asume que las innovaciones del proceso de duración siguen una distribución de umbral con un soporte positivo. Además, también asume que el proceso autorregresivo de primer orden latente de las duraciones condicionales en logaritmo cambia entre dos regímenes. Los regímenes están determinados por los niveles de las duraciones observadas y el modelo TSCD se especifica para ser autoexcitado. Se desarrolla un novedoso método de Monte Carlo por cadenas de Markov (MCMC) para la estimación de parámetros del modelo. Para la discriminación del modelo, empleamos criterios de información de devianza, que no dependen directamente del número de parámetros del modelo. La previsión de duración se construye utilizando un filtro de partículas auxiliar basado en los modelos ajustados. Los estudios de simulación demuestran que el modelo TSCD propuesto y el método MCMC funcionan bien en términos de estimación de parámetros y previsión de duración. Por último, el modelo y el método propuestos se aplican a dos conjuntos de datos clásicos que han sido estudiados en la literatura, a saber, los datos de transacciones de IBM y Boeing.