Este artículo presenta la Estimación Cuasi-Máxima de Verosimilitud para Datos de Transacciones de Acciones de Memoria Larga con distribución subyacente desconocida. Se han discutido los momentos con heterocedasticidad condicional. En un experimento de Monte Carlo, se encontró que el estimador QML tiene un rendimiento similar al de CLS y FGLS en términos de eliminación de correlaciones seriales, pero el estimador puede ser sensible al valor inicial. Por lo tanto, se ha sugerido un QML de dos etapas. En la estimación empírica de dos datos de transacciones de acciones para Ericsson y AstraZeneca, el 2SQML resulta ser relativamente más eficiente que CLS y FGLS. Los resultados empíricos sugieren que ambas series tienen propiedades de memoria larga que implican que el impacto de noticias o rumores macroeconómicos en un momento dado tiene un impacto persistente en transacciones futuras.