En el análisis de series temporales no lineales, el modelo autorregresivo de mezcla (MAR) es una herramienta estadística efectiva para capturar la multimodalidad de los datos. Sin embargo, los métodos tradicionales suelen necesitar asumir que el error sigue una distribución específica que no es adaptable al conjunto de datos. Este artículo propone un modelo autorregresivo de mezcla a través de una distribución asimétrica de potencia exponencial, que incluye la distribución normal, la distribución normal sesgada, la distribución de error generalizada, la distribución de Laplace, la distribución de Laplace asimétrica y la distribución uniforme como casos especiales. Por lo tanto, el método propuesto puede verse como una generalización de algunos modelos existentes, que pueden adaptarse a estructuras de error desconocidas para mejorar la precisión de la predicción, incluso en el caso de colas gruesas y asimetría. Además, se aplica un algoritmo de maximización de la esperanza para implementar el problema de optimización propuesto. El rendimiento de la muestra finita del enfoque propuesto se ilustra a través de algunas simulaciones numéricas. Finalmente, aplicamos la metodología propuesta para analizar la serie de retornos diarios del Índice Hang Seng de Hong Kong. Los resultados indican que el método propuesto es más robusto y adaptable a las distribuciones de error que otros métodos existentes.