Cet article s'intéresse à l'estimation des modèles semiparamétriques de séries temporelles définis par leur moyenne et variance conditionnelles. Nous mettons en exergue l'importance de l'utilisation jointe des restrictions sur la moyenne et la variance. Ceci amène à tenir compte de la covariance entre la moyenne et la variance ainsi que de la variance de la variance, autrement dit la skewness et la kurtosis. Nous établissons les liens directs entre les méthodes paramétriques usuelles d'estimation, à savoir l'EPMV (Estimateur du Pseudo Maximum de Vraisemblance), les GMM et les M-estimateurs. L'EPMV usuel est, dans le cas de la non-normalité, moins efficace que l'estimateur GMM optimal. Néanmoins, l'EPMV bivarié basé sur le vecteur composé de la variable dépendante et de son carré est aussi efficace que l'estimateur GMM optimal. Une analyse Monte Carlo confirme la pertinence de notre approche, en particulier l'importance de la skewness.