2．不易解释性。
各種定量或(客观)预测方法的最终结果均以模型形式结果给出，容易结合经济理论或各领域知识来解释，并进行灵敏度分析、边际分析，而神经网络系统的结构无法用显示表达出来，解释困难，采用该法预测有一定的风险。如果产出了错误的预测，常常无法解释出错的原因，回归分析之后，常常要进行经济合理性检验，如判断某些系数值符号的正确性，而对于神经网络预测都无法进行类似检验。因它不仅缺乏统计检验准则，且无一定理论可遵循，不易解释。
3．缺乏稳健性。
神经网络的优点是在于不断学习与训练，但却不能辩识异常值，当异常值影响强烈时，神经网络模型也能给出拟合精度极高的估计。结果，显然用于预测将产生大的偏差。故神经网络预测对数据质量要求较高。另一方面，应用研究表明，拟合精度高的模型并不完全意味着高的预测精度，而我们却无法推知神经网络模型预测精度如何。
4．运算速度缓慢。
在运算方面，利用神经网络预测，每增加一个新的样本，均要重新学习与训练，花费大量的时间，其本身训练与学习也十分缓慢，有时慢得令人难以忍受，变量选择时更为严重，训练函数及权值修正算法影响速度，且神经网络预测用于长期预测有一定困难。
5．隐节点难确立(隐层数及神经元的经验性与任意性)
网络的隐含层数，隐节点个数及神经元能量函数的确定纯粹凭经验或凑试，带有一定的任意性，一方面影响到训练与学习时间与最后结果的精度，另一方面也关系到这一方法的普及。
6．宏观预测困难。
宏观社会经济問題，变量间相互关联，相互影响，相互制约，仅凭单一方程是不足的。计量经济联立议方模型在宏观预测中起着举足轻重的作用，但它却主要基于线性模型，解决非线性問題存在一系列困难。神经网络强调预测方法虽然在解决非线性問題方面具有优越性，却面对因变量间关联束手无策。
7．模型选择的困难。
神经网络预测由于缺乏统计机理，变量选择十分困难，无法给出相关的显著性统计准则，也难以给出合适的变量选择准则，显然仅以精度准则是有缺陷的。我们知道，模型中包括不相关变量或略去重要变量均将对预测结果产生重要影响，且使结果失去可信。因此，开发相应的变量选择方法是神经网络预测研究者面临的十分棘手的問題，也是首先应该解决的問題。只有这样，才可以使得我们不仅知其然，而且知其所以然。
