Измерение настроений по финансовым новостям имеет решающее значение для экономики и финансов. Существующие словарные методы имеют ограничения в улавливании контекста, отрицания и семантической структуры. В данной статье представлена структура для создания ежедневных индексов настроений в новостях с использованием языковых моделей на основе трансформеров. Исследование оценивает, лучше ли эти модели отражают настроения, чем традиционные словарные подходы. Было проанализировано 143 755 финансовых новостных статей из Factiva, с классификацией настроений на уровне предложений с использованием FinBERT. Затем эти прогнозы были агрегированы в показатели настроений на уровне статей и ежедневные показатели. Разработанные индексы были сравнены с существующими эталонными показателями. Значительным вкладом является проверка этих новых показателей на основе человеческих суждений. В рамках стимулируемого эксперимента 444 участника оценили подвыборку финансовых новостных статей. Эти консенсусные человеческие оценки послужили внешним эталоном для автоматизированных показателей. Показатели на основе трансформеров продемонстрировали более сильное согласие с человеческими суждениями и лучшую производительность в различении категорий настроений. Результаты показывают, что модели-трансформеры, за счет включения контекстной информации, производят показатели настроений, более соответствующие человеческим оценкам финансовых новостей.