您被要求设计并实现一个基于强化学习（Reinforcement Learning, RL）的自动化交易系统，目标是在一个高流动性但具有显著微观结构摩擦（如交易成本、市场冲击、订单簿深度限制）的股票市场中，管理一个包含20-30只股票的投资组合。该系统需在日内高频层面做出交易决策，旨在最大化投资组合的风险调整收益（例如，夏普比率或Sortino比率），同时严格控制最大回撤（Maximum Drawdown, MDD）和实现最低的市场冲击。请详细阐述您的系统设计方案，包括RL的核心组件（状态、动作、奖励）、模型选择、训练方法、如何处理市场微观结构、风险管理策略以及最重要的——您将如何进行严格的回测和生产验证，以确保其鲁棒性和部署前的安全性。

系统设计方案：基于强化学习的日内高频交易代理

设计一个在具有微观结构摩擦的高流动性市场中，管理多资产投资组合的强化学习交易系统，是一个极其复杂且具有挑战性的任务。核心目标是在风险调整收益、最大回撤和市场冲击之间找到最优平衡。以下是详细的系统设计方案。

1. RL核心组件的定义

a) 环境（Environment） 环境是市场的数字化模拟，它接收代理的动作并返回新的状态和奖励。这个环境需要高度逼真，能模拟：

• 实时市场数据流: Tick级别价格、订单簿（Limit Order Book, LOB）数据（包括买卖五档甚至十档深度、订单数量）。
• 交易执行: 考虑限价单（Limit Order）、市价单（Market Order）的撮合逻辑、订单排队、滑点、交易成本（佣金、印花税）。
• 市场冲击（Market Impact）: 代理的交易行为对价格和LOB深度造成的瞬时和持续影响。
• 投资组合: 记录当前持仓、现金余额、市值、已实现/未实现盈亏。

b) 状态空间（State Space） 状态表...