We study the problem of allocating bailouts (stimulus, subsidy allocations) to people participating in a financial network subject to income shocks. We build on the financial clearing framework of Eisenberg and Noe that allows the incorporation of a bailout policy that is based on discrete bailouts motivated by the types of stimulus checks people receive around the world as part of COVID-19 economical relief plans. We show that optimally allocating such bailouts on a financial network in order to maximize a variety of social welfare objectives of this form is a computationally intractable problem. We develop approximation algorithms to optimize these objectives and establish guarantees for their approximation rations. Then, we incorporate multiple fairness constraints in the optimization problems and establish relative bounds on the solutions with versus without these constraints. Finally, we apply our methodology to a variety of data, both in the context of a system of large financial institutions with real-world data, as well as in a realistic societal context with financial interactions between people and businesses for which we use semi-artificial data derived from mobility patterns. Our results suggest that the algorithms we develop and study have reasonable results in practice and outperform other network-based heuristics. We argue that the presented problem through the societal-level lens could assist policymakers in making informed decisions on issuing subsidies.

中文翻译：

---

在危机时期分配刺激检查

我们研究将救助（刺激、补贴分配）分配给参与受收入冲击影响的金融网络的人的问题。我们以 Eisenberg 和 Noe 的金融清算框架为基础，该框架允许纳入基于离散救助的救助政策，该救助政策由世界各地人们收到的刺激检查类型作为 COVID-19 经济救助计划的一部分。我们表明，为了最大化这种形式的各种社会福利目标，在金融网络上优化分配此类救助是一个计算上难以处理的问题。我们开发了近似算法来优化这些目标并为其近似比率建立保证。然后，我们在优化问题中加入了多个公平约束，并在有和没有这些约束的解决方案上建立了相对界限。最后，我们将我们的方法应用于各种数据，无论是在拥有真实世界数据的大型金融机构系统的背景下，还是在人与企业之间的金融互动的现实社会背景下，我们使用半来自移动模式的人工数据。我们的结果表明，我们开发和研究的算法在实践中具有合理的结果，并且优于其他基于网络的启发式算法。我们认为，从社会层面来看所提出的问题可以帮助政策制定者就发放补贴做出明智的决定。无论是在拥有真实世界数据的大型金融机构系统的背景下，还是在人与企业之间的金融互动的现实社会背景下，我们使用源自流动模式的半人工数据。我们的结果表明，我们开发和研究的算法在实践中具有合理的结果，并且优于其他基于网络的启发式算法。我们认为，从社会层面来看所提出的问题可以帮助政策制定者就发放补贴做出明智的决定。无论是在拥有真实世界数据的大型金融机构系统的背景下，还是在人与企业之间的金融互动的现实社会背景下，我们使用源自流动模式的半人工数据。我们的结果表明，我们开发和研究的算法在实践中具有合理的结果，并且优于其他基于网络的启发式算法。我们认为，从社会层面来看所提出的问题可以帮助政策制定者就发放补贴做出明智的决定。我们的结果表明，我们开发和研究的算法在实践中具有合理的结果，并且优于其他基于网络的启发式算法。我们认为，从社会层面来看所提出的问题可以帮助政策制定者就发放补贴做出明智的决定。我们的结果表明，我们开发和研究的算法在实践中具有合理的结果，并且优于其他基于网络的启发式算法。我们认为，从社会层面来看所提出的问题可以帮助政策制定者就发放补贴做出明智的决定。