극심한 시장 변동성(extreme market volatility)에 대한 조기 경고는 금융 리스크 관리의 핵심이지만, 실행 가능한 이벤트는 드물고 비정상성(nonstationary)을 띠며 종종 외생적 정보 충격(exogenous information shocks)에 의해 발생합니다. 본 연구의 CSI 300 설정에서는 791일의 학습 기간 동안 약 80개의 양성 샘플(positive samples)만이 관찰되었으며, 이는 강력한 지도 학습 기반의 다중 소스 모델을 불안정하게 만듭니다. 우리는 먼저 10만 개의 파라미터를 가진 계층적 텍스트-신호 융합 모델(HTSF, hierarchical text-signal fusion model)을 분석하였고, 이러한 저레이블(low-label) 환경에서는 파라미터의 추가가 오히려 성능을 저해한다는 것을 발견했습니다. 이러한 실패에 착안하여, 우리는 시장 지표, GDELT 이벤트, 중국 금융 뉴스, 그리고 영어 미디어에 대한 Isolation Forest 이상 점수(anomaly scores)를 경량화된 Ridge 점수 융합(Ridge score fusion)과 결합하는 준지도 학습(semisupervised) 프레임워크인 extbf{AAMSF} (Anomaly-Augmented Multi-Signal Fusion)를 제안합니다. 나아가 다일(multi-day) 이상 탐지 축적을 위한 시간적 확장 모델인 extbf{T-AAMSF}를 도입합니다. CSI 300 (2018--2023) 데이터셋에서 AAMSF는 테스트 AUC-ROC extbf{0.680}을 달성하여, 가장 강력한 비지도 학습(unsupervised) 베이스라인(0.630)과 신경망(neural) 베이스라인(0.588)을 능가하였으며, T-AAMSF는 PR-AUC를 0.291로 개선했습니다. 절제 연구(Ablations) 결과, 강력한 소스 비대칭성(source asymmetry)이 드러났습니다. GDELT와 국내 금융 뉴스는 상호 보완적인 리스크 신호를 제공하는 반면, 영어 미디어는 지속적으로 성능을 저하시켰으며, 학습된 가중치(learned weighting)는 검증 노이즈(validation noise) 하에서 신뢰할 수 없었습니다. 이러한 결과는 레이블이 부족한 금융 리스크 경고를 위한 경험적 설계 원칙을 제시합니다. 즉, 견고한 이상 기하학(anomaly geometry)과 소스의 신뢰성이 지도 학습 기반의 표현 능력(representation capacity)보다 더 중요할 수 있습니다.