El modelo de heterocedasticidad condicional autorregresiva (ARCH) es útil para manejar volatilidades en fenómenos de series temporales económicas que los modelos ARIMA no pueden abordar. El modelo ARCH ha sido adoptado en muchas aplicaciones que contienen datos de series temporales, como precios de mercados financieros, opciones, precios de materias primas y la industria del petróleo. En este artículo, proponemos una estrategia de estimación mejorada post-selección. Investigamos y desarrollamos algunas propiedades asintóticas de las estrategias sugeridas y las comparamos con un estimador de referencia. Además, realizamos un estudio de simulación de Monte Carlo para reevaluar las características relativas de los estimadores listados. Nuestros resultados numéricos corroboran el trabajo analítico del estudio. Aplicamos los métodos propuestos al índice de precios de cierre diario del mercado de valores S&P500 para ilustrar la utilidad de las metodologías desarrolladas.